摘要
密度峰值聚类（DPC）因其理论直观且无需预定义聚类数量而在无监督聚类中广受欢迎。然而，传统DPC依赖于静态单次计算策略，使用所有原始样本计算全局密度和相对距离，且不进行迭代校正。真实数据中的低密度样本会扭曲密度分布，削弱真实聚类中心的峰值特征，导致中心选择错误和点的分配混乱，从而损害聚类的稳定性和准确性。针对这一局限，我们提出了一种迭代筛选密度峰值聚类方法（IS-DPC）。该方法设计了一种基于二元选择的新局部密度，从计算源头抑制低密度样本的干扰。此外，迭代机制将静态单轮计算转化为动态渐进更新。在真实数据集上的实验表明，在大多数情况下IS-DPC优于几种先进的DPC变体。
