在人工智能与机器学习飞速发展的今天,数据挖掘作为一种知识发现的工具,受到了越来越广泛的关注。在这个领域,聚类分析是一种常用于数据处理的技术手段,能够将没有类标号的数据通过一定的方式实现划分。目前,聚类分析已广泛应用于电子商务、图像处理、Web挖掘、生物学和安全等各种行业。密度峰值与快速搜索算法是一种较为新型的聚类算法,该算法利用样本局部密度和相对距离进行聚类,原理简单且运算高效,对于聚类的初始簇中心选择有很好的效果。本文将密度峰值算法思想分别与模糊C均值(FCM)算法、K-means聚类算法相结合,对两种算法进行优化,通过实验证明了两个改进后的算法在整体效能上都得到了提升。论文的主要内容如下:(1)传统的FCM算法克服了一般聚类算法非此即彼的缺点,但聚类过程中,对于随机确定的初始簇中心敏感,聚类的效果易受到影响。针对这个问题,利用密度峰值算法来优化初始簇中心的选择,提出了基于密度峰值的改进模糊C均值(DP-FCM)算法。首先,利用样本的局部密度和相对距离两个参数刻画出密度距离指数,遍历数据样本,计算出平均密度距离,选出密度距离指数大于平均密度距离的点作为聚类中心。其次,根据密度峰值确定出聚类中心,利用每个样本数据到聚类中心的距离初始化隶属度矩阵,计算目标函数的值,不断更新隶属矩阵和新模糊聚类中心,直至达到停止条件,得到最终的聚类结果。DP-FCM算法对于初始簇中心敏感的缺点进行改进,提高了聚类的准确性。通过与其他四种聚类算法的实验比较,DP-FCM算法的聚类整体效能有明显的提升。(2)针对数据挖掘中的文本数据稀疏与高维的特性,将密度峰值算法与K-means算法相结合,提出一种基于密度峰值与加权距离的K-means(DPK-means)算法。首先,利用中文分词处理和TF-IDF算法将无结构化或半结构化的中文文本变成计算机能够理解和处理的结构化数据;其次,利用密度峰值算法中的局部密度和相对距离两个参数刻画出决策图,确定簇中心与聚类的数量;最后,计算出每个簇的均值向量和各数据样本的加权欧氏距离,按照就近的原则将数据划分到每个簇中。重新计算新的均值向量,迭代直至聚类中心不再改变或者达到最高迭代次数。实验中发现对于大规模的文本数据算法运行效率不高、消耗时间长,故将该算法在Spark平台上实现了并行化处理。通过对比各数据集的聚类结果可以发现,DPK-means算法对于中文文本数据集的聚类效果明显提升;通过比较不同节点下的运行时间和加速比,并行化的DPK-means算法的耗能减少,效率提高。