Potential算法

算法简介

我们先为此算法举一个简单的例子作为解释说明，假设数据集有6个点：P1(1.0,2.0)，P2(1.5,2.5)，P3(3.5,3.0)，P4(4.0,1.5)，P5(5.5,2.0)，P6(6.0,1.5)，另外设置可选参数B=3.0，d=0.01。我们先计算P1点依次到P2,P3,P4,P5,P6的欧氏距离D12,D13,D14,D15,D16，然后将各个距离大于d的Dij先求倒数再累加，假设以上结果都大于d，即为(1/D12+1/D13+1/D14+1/D15+1/D16)，最后取负，就是P1的potential值，即P1=-(1/D12+1/D13+1/D14+1/D15+1/D16)，其他各点计算过程同理。

我们计算的potential值，结果如下：

P1=-2.5356318736021333，

P2=-2.735675415796938，

P3=-2.279128224245421，

P4=-2.4650997150321703，

P5=-2.9641743813073678，

P6=-2.6731486285187667。

然后从小到大排序为<P5,P2,P6,P1,P4,P3>。首先选择最小的第一个点P5作为聚类中心，为第1类。然后选择排序队列的P2，因为P2与P5的距离是4.03，大于B=3.0，所以P2作为新的聚类中心，为第2类。下一个节点P6，与P5距离最小且小于B值，所以P6与P5是同一类，为第2类。同样地，P1被分配到P2，为第1类。P4被分配到第P5为第2类。最后，P3发现与P4距离更短且小于B，P3被分配到P4，与P5属于同一类，即第2类。最终聚类结果是2类：{P1，P2}和{P3，P4，P5，P6}

译自：《Clustering by Sorting Potential Values(CSPV): A novel potential-based clustering method》