·718 智能系统学报 第10卷 10 10 6 4 2 0 0 (a)K-means算法 (d)DSMC算法 图5对不同重叠程度的团状和环状数据集的分类结果比较 Fig.5 Comparison of classification results on different de- gree of overlap between group and cyclicdata sets 从图5的实验结果可以看出，对于团状数据集， K-means、Ncuts和DSMC(参数k和Q自上而下依次 取为6,200：6,160)算法都能够很好的处理重叠问 题，而DBSCAN算法（参数m和r自上而下依次取 为8,0.4：10,0.6)虽然对一般的团状数据集聚类效 果显著，但随着数据集重叠程度的逐渐增大，聚类效 2 0 果也开始变差。对于环状数据集，像K-means、.Ncuts 这种无法很好的聚类非凸数据集的算法，对于重叠 0 6 0 2 的环状数据集一样效果不好：而DBSCAN算法（参 数m和r自上而下依次取为15,0.4：10,0.5)对环状 (b)Ncuts算法 数据集的聚类类似于团状数据集，对重叠度较高的 数据集不能很好地聚类；本文提出的DSMC算法 (参数k和Q自上而下依次取为7,15：7,75)对于高 重叠度的环状数据集虽然没有得到完美的聚类结 果，但将内环与外环数据归为2类的结果基本令人 满意。相比其他3种聚类算法而言，DSMC算法对 重叠的鲁棒性较好。 3.3噪声点个数不同的人工数据集实验 随着数据源含有噪声现象的增多，算法对噪声 的处理效果也越来越受到人们的关注。为检验本文 0 提出的DSMC算法对含有噪声的数据集的聚类效 果，对逐渐增加噪声点的两类非凸数据集进行实验。 4 1 其中，第1个数据集含有400个数据点，第2个数据 (c)DBSCAN算法 集含有1000个数据点，自上而下对2个数据集分别 加入100、200、300个噪声点。 图6的实验结果说明，DSMC算法（参数k和Q（ａ）Ｋ⁃ｍｅａｎｓ 算法 （ｂ）Ｎｃｕｔｓ 算法 （ｃ）ＤＢＳＣＡＮ 算法 （ｄ）ＤＳＭＣ 算法 图 ５ 对不同重叠程度的团状和环状数据集的分类结果比较 Ｆｉｇ．５ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｎ ｄｉｆｆｅｒｅｎｔ ｄｅ⁃ ｇｒｅｅ ｏｆ ｏｖｅｒｌａｐ ｂｅｔｗｅｅｎ ｇｒｏｕｐ ａｎｄ ｃｙｃｌｉｃｄａｔａ ｓｅｔｓ 从图 ５ 的实验结果可以看出，对于团状数据集， Ｋ⁃ｍｅａｎｓ、Ｎｃｕｔｓ 和 ＤＳＭＣ（参数 ｋ 和 Ｑ 自上而下依次 取为 ６，２００；６，１６０）算法都能够很好的处理重叠问 题，而 ＤＢＳＣＡＮ 算法（参数 ｍ 和 ｒ 自上而下依次取 为 ８，０．４；１０，０．６）虽然对一般的团状数据集聚类效 果显著，但随着数据集重叠程度的逐渐增大，聚类效 果也开始变差。 对于环状数据集，像 Ｋ⁃ｍｅａｎｓ、Ｎｃｕｔｓ 这种无法很好的聚类非凸数据集的算法，对于重叠 的环状数据集一样效果不好；而 ＤＢＳＣＡＮ 算法（参 数 ｍ 和 ｒ 自上而下依次取为 １５，０．４；１０，０．５）对环状 数据集的聚类类似于团状数据集，对重叠度较高的 数据集不能很好地聚类；本文提出的 ＤＳＭＣ 算法 （参数 ｋ 和 Ｑ 自上而下依次取为 ７，１５；７，７５）对于高 重叠度的环状数据集虽然没有得到完美的聚类结 果，但将内环与外环数据归为 ２ 类的结果基本令人 满意。 相比其他 ３ 种聚类算法而言，ＤＳＭＣ 算法对 重叠的鲁棒性较好。 ３．３ 噪声点个数不同的人工数据集实验 随着数据源含有噪声现象的增多，算法对噪声 的处理效果也越来越受到人们的关注。 为检验本文 提出的 ＤＳＭＣ 算法对含有噪声的数据集的聚类效 果，对逐渐增加噪声点的两类非凸数据集进行实验。 其中，第 １ 个数据集含有 ４００ 个数据点，第 ２ 个数据 集含有１ ０００个数据点，自上而下对 ２ 个数据集分别 加入 １００、２００、３００ 个噪声点。 图 ６ 的实验结果说明，ＤＳＭＣ 算法（参数 ｋ 和 Ｑ ·７１８· 智 能 系 统 学 报 第 １０ 卷