一种基于拉普拉斯中心性的峰值聚类方法

一种基于拉普拉斯中心性的峰值聚类方法，具体如下：

首先，将待分类的数据集转换成一个加权的完全图。在这个图中，每个数据点为一个节点，两个数据点之间的距离作为相应两个节点之间边的权值。

接着，利用拉普拉斯中心性来计算和评价该网络中每个节点的局部重要性。

在聚类过程中，将聚类中心定义为局部的密度中心。这样的中心节点比周围的邻居节点具有更高的拉普拉斯中心性，并且与具有更高拉普拉斯中心性的节点之间保持较大的距离。

对于所有的类簇中心，为其贴上类簇标签。对于没有类簇标签的节点，则将其归属到距离最近的有类簇标签的节点所属的类簇中，并以此获得该类簇的标签。

本发明将评价网络节点重要性的算法引入到评价待分类数据点的重要性方面。此算法具有精确度高、可以实现无参数的快速聚类等优点。

一种基于拉普拉斯中心性的峰值聚类方法，首先把待分类的数据集转换成一个加权的完全图，每个数据点为一个节点，两个数据点之间的距离作为相应两个节点之间边的权值；用拉普拉斯中心性去计算和评价该网络每个节点的局部重要性；聚类中心为局部的密度中心，比周围的邻居节点具有更高的拉普拉斯中心性并且和具有更高拉普拉斯中心性的节点具有较大的距离的节点；对所有的类簇中心贴上类簇标签，对没有类簇标签的节点，归属到距离最近的有类簇标签的节点所属的类簇中，并获得该类簇的标签。本发明将评价网络节点重要性的算法引入到评价待分类数据点的重要性方面，算法精确度高、可以实现无参数的快速聚类。