摘要
当聚类簇呈现任意形状、密度差异显著，或数据类别不平衡且彼此邻近时（即使在二维空间中），许多传统聚类算法均会失效。为此，本文提出一种新型聚类算法——DenMune，以应对上述挑战。该算法基于K近邻互近邻（mutual nearest neighborhoods）结构来识别数据中的高密度区域，其中K为用户唯一需要设定的参数，同时遵循互近邻一致性原则。该算法对K值在较宽范围内的变化具有良好的稳定性。此外，DenMune能够自动识别并剔除噪声点，同时准确发现目标聚类。在多种低维与高维数据集上，该算法相对于多个已知的先进聚类方法，均表现出更强的鲁棒性与优越的聚类性能。