《表2 本文算法与其它算法在不同数据集上的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于核密度估计密度峰聚类的通信辐射源个体识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2列出了本文提出的算法和其它算法在8个数据集上的准确率。对于Heart这个数据集，DB-SCN算法出现了异常值，因此没有在这个数据集上对DBSCN算法进行评估。从中我们可以看出，DPC-KDE算法能更准确地识别聚类中心点，而不依赖于数据集的性质，而DPC查找密度和边界点的能力在很大程度上取决于数据集的性质。本文提出的DPC-KDE方法是不同数据集聚类的有效通用解决方案。DPC算法的性能很大程度上取决于参数dc的选取，而dc的选取很大程度上依赖于主观经验，这对算法性能的提升是很大的制约，本文提出DPC-KDE算法能够自适应选择最佳参数，在任一数据集上都有较好的表现。