DPC-DBFN：采用密度主干网络与模糊邻域的密度峰聚类算法的源码。

简介：
DPC数据库采用密度骨干和模糊邻域密度峰聚类技术，由 Abdulrahman Lotfi, Parham Moradi, 和 Hamid Beigy 共同开发。 该研究团队，隶属于库尔德大学计算机工程系（伊朗，萨南达季）以及谢里夫工业大学计算机工程系（伊朗，德黑兰），提出了一种基于抽象密度峰聚类（DPC）的有效聚类算法，其优势在于非迭代的处理方式。 然而，DPC及其后续改进版本存在一些显著的局限性：首先，算法对截止距离参数的灵敏度较高；其次，在计算局部密度时，该方法未能充分考虑数据的局部结构特征；此外，它依赖于清晰内核来评估局部密度；最后，DPC容易受到连锁反应的影响。 为克服上述挑战，本文引入了一种名为DPC-DBFN的新型方法。 这种新方法通过运用模糊核函数来增强聚类的区分度并降低离群值的影响。 DPC-DBFN利用基于密度的k-近邻图（kNN图）来确定关键骨干。 这一策略有效地避免了连锁反应的发生，并且能够为位于边界区域的实例提供准确的标签分配，从而能够更有效地聚类具有多样形状和密度分布的数据。