一个延迟尖端神经膜系统,用于基于邻近的适应性密度峰值集群

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 密度峰值集群 (DPC) 难以适应性和局部数据结构.
• 传统的集群算法经常表现出高时间复杂性.
• P系统,特别是尖端神经P系统 (SN P系统),提供了减少复杂性和增强并行性的潜力.

研究的目的:

• 为了提高密度峰集群 (DPC) 算法的适应性和性能.
• 通过整合P系统来解决现有的集群算法的局限性.
• 提出一个新的算法,DSNP-ANDPC,以改善集群.

主要方法:

• 通过集成最大最近邻近距离和K-最近邻居 (KNN) 来改进DPC.
• 开发了一种使用延迟尖端神经P系统 (DSN P系统) 的新方法.
• 提出了DSNP-ANDPC算法,将DPC增强功能与DSN P系统相结合.

主要成果:

• 与其他方法相比,DSNP-ANDPC算法显示出更高的性能.
• 对四个合成数据集和10个现实数据集进行了评估.
• 拟议的方法在集群有效性方面显示出显著的改善.

结论:

• DSNP-ANDPC有效地解决了DPC在适应性和地方结构意识方面的局限性.
• 集成DSN P系统为高效和有效的集群提供了一个有希望的方向.
• 拟议的算法代表了集群技术的重大进步.