Clustering by fast search and find of density peaks

    "Clustering by fast search and find of density peaks"是20114年6月份在《Science》期刊上发表的的一篇论文，论文中提出了一种非常巧妙的聚类算法。

    首先，该算法是基于这样的假设：

    （1）聚类中心密度要高

    （2）高密度中心点之间的距离应该相对远一些。

     异常点都会被排除，同时也和形状无关。

    首先，这种方法不像原先的Kmeans那样随机初始种子点然后迭代，它是根据样本的密度峰值来确定聚类中心的，当然聚类中心确定之后，后面的问题就方便多了，由于不需要迭代，时间消耗非常低，小规模的话可以忽略。下面看看这篇文章是怎么找到局部密度峰值的（其实这里的密度峰值有点类似正态分布的样子）。

     1、局部密度

     局部密度就定义为别的所有点的距离小于截断距离的个数。

   2、Delta距离

    Delta距离定义取比该点局部密度大的所有点的最小距离，如果这个点已经是局部密度最大的点，那么Delta赋值为别的所有点到它的最大距离。

    最后，相对应的聚类中心就是相对Delta值比较大的点，如果好几个相近点的Delta值都比较大，而且比较接近，那么任何一个都可以当作该类的中心。

   实验测试:

参考：

http://people.sissa.it/~laio/Research/Res_clustering.php

http://blog.csdn.net/itplus/article/details/38926837

http://blog.csdn.net/jdplus/article/details/40351541