RPC-NI聚类算法

复杂结构高鲁棒

利用邻域信息提取多点代表元，可处理任意形状、变密度与弱分离的复杂结构数据。

Shang, Zhongju · Dang, Yaoguo · Wang, Haowei · 刘思峰

IEEE Transactions on Cybernetics 2025

技术优势

簇数无需预设

通过最小生成树自动划分簇，避免了传统方法对簇数量的敏感依赖。

噪声下更稳

局部中心性结合邻域密度，能有效区分核心代表点与噪声点，提升聚类鲁棒性。

任意形状可聚

每个簇可有多个代表点，并通过最小生成树连接，因此能适应任意形状的簇。

应用场景

• 复杂数据聚类：处理变密度、任意形状和弱分离的复杂数据，替代传统聚类方法。
• 无监督学习：在无标签数据上自动发现内在簇结构，无需人工标注。
• 噪声鲁棒数据分析：对含噪声数据仍能稳定识别核心点，不影响聚类结果。
• 大规模数据模式发现：在大规模数据中有效发现模式，算法复杂度较低，适用大数据集。