数据挖掘是一个从大量、复杂且冗余的数据中利用先进且精确的技术挖掘并产生新知识的过程,目的是寻找数据间潜在的关联,为研究者提供有利的科学指导依据。聚类算法是数据挖掘领域的一种重要的无监督算法,旨在找寻数据内在的分布结构,以便做进一步的数据分析。目前在许多研究领域都有较为广泛的应用,包括模式识别、信息检索、神经网络、图像处理等。本文对聚类算法进行了深入的研究,提出三种新的无参数峰值聚类算法:1.提出了一种基于势能熵的拉普拉斯中心性峰值聚类算法(PELC)。针对目前大多数的聚类算法存在对参数敏感、不能自动完成聚类、不能去除噪音点等问题,本文采用势能熵的概念从原始数据中自动提取出算法所需的参数,并结合DBSCAN框架的聚类原理来自动完成聚类。2.提出了一种基于曲率的拉普拉斯中心性峰值聚类算法(LCPC)。针对传统聚类算法无法有效确定聚类数目的问题,本文提出的算法通过分析和利用一个评估图的曲率来确定聚类数目k,该评估图是聚类过程中簇内方差与类簇数目的关系图。3.提出一种基于节点中心性和曲率的k-means改进算法(LCK)。针对k-means存在随机选择初始聚类中心、无法有效确定聚类数目等问题,本文采用拉普拉斯中心性算法评价节点的重要性,基于曲率的方法有效的得到聚类数目k,并进一步的根据节点重要性得到k个初始聚类中心,完成聚类。本文对上述提出的三种无参数聚类算法PELC、LCPC、LCK都进行了详细的描述,包括算法实现的具体步骤,实验的数据集及评价指标,聚类效果分析。实验中所使用的数据集包括综合数据集、真实数据集、高维数据集等。无参数峰值聚类算法在一定程度上解决了传统聚类算法对参数敏感的问题,实现了真正的无参数,并且在检测效果和聚类上都有一定的优势。