聚类算法作为无监督学习的一个重要分支,其可在无任何先验知识的情况下,发现数据集的内部结构和数据样本之间的潜在关联。基于快速密度峰值搜索的聚类算法(DPC)于2014年在Science杂志上提出,迄今已被众多学者高度认可。DPC算法提供了一种简单高效的快速确定簇中心方法,这解决了大多数聚类算法把大量的计算资源用于反复迭代才能确定簇中心的问题。但是由于DPC算法对非密度峰值点的分配策略单一,导致面对各种复杂的数据集也存在着不足。在处理紧密聚集的团形簇数据集时,DPC算法对簇间边界处样本点分配存在着误判传递的问题,同时对于团形簇远离簇中心的稀疏区域,DPC算法难以分辨簇边界点和噪音点。对于复杂的流形数据集,因为流形簇内部样本点分布不均,会导致簇内存在多个密度峰值点,DPC算法不具有合并单个簇内的多个高密度子簇能力。针对以上问题,本文工作如下:(1)对于多个紧密聚集在一起的团形簇,由于每个簇内样本分布的局部密度不同,导致不同簇的相交处样本点的归属分配难以解决,同时每个簇的边界点和噪音点划分也存在着不确定性。针对上述问题,本文利用簇内样本分布的局部密度信息构建高斯核判别式,并结合DPC算法快速获取簇中心的特性,提出基于局部密度高斯核优化的密度峰值聚类算法,即Gauss-DPC算法。通过于10个不同的数据集进行验证,将改进后的算法与DPC,DBSCAN,K-means三个经典聚类算法进行对比和分析,验证了Gauss-DPC算法在处理簇间样本点划分和簇边界约束时更有优势。(2)本文提出基于近邻局部相似度优化的密度峰值聚类算法,即KNS-DPC算法。DPC算法在处理流形簇时,如果一个簇内存在多个密度峰值点,DPC算法会将一个簇聚类成多个子簇。针对这一问题,KNS-DPC算法提出利用簇之间的相似度将分裂的子簇进行融合,从而优化了DPC算法对流形簇的聚类效果。KNS-DPC算法引入局部核心簇的概念,并定义了局部核心簇间相似度用于局部核心簇融合,定义了簇间过渡密度用于判断数据集内各子簇是否需要合并。该算法与于DPC,DBSCAN和K-means聚类算法在5个人工流形数据集和5个真实数据集上进行对比实验,实验证明了KNS-DPC算法在处理流形簇时有明显优势。(3)本文将改进后的两个算法应用到某电力公司巡检系统中的GPS轨迹优化模块。针对GPS轨迹点呈现大量不规则团形聚集,采用Gauss-DPC算法提取簇中心点作为簇代表,达到轨迹点抽稀的目的,减轻前端界面渲染压力。针对GPS轨迹点呈现流形不规则分布,采用KNS-DPC算法对流形轨迹进行识别,使用簇内局部核心点代表流形轨迹,实现轨迹的优化。综上所属,本文在基于密度峰值聚类算法做了大量的研究和分析,从要处理的数据集特征出发,结合DPC算法可以快速获取到整个数据集的密度峰值的优点,分别针对紧密聚集的团形簇和流形簇提出了相应的优化算法。并且将改进后的算法应用到某电力公司巡检系统中,实现了对GPS轨迹数据进行抽稀优化处理。