模糊连接点聚类算法(Fuzzy Joint Points,FJP)是近年来出现的一种新型模糊聚类算法,其优点是不需要预先设定聚类个数,能通过数据点的连接关系判断数据点间的类别相似性,具有较好的鲁棒性。但应用中该算法也有若干不足:(1)FJP算法以划分结果中频率最高的聚类簇数为最佳聚类数,这种定夺方式在很多高维数据集并不适用,有一定的随机性,影响算法的准确率。(2)α划分水平衰减的范围过大会导致算法迭代次数多,在大型数据集上计算时间会很长。(3)FJP算法中使用简单的欧氏距离公式计算数据元素间的模糊相似度,这在多维的复杂数据集上存在结果失真的情况。针对上述问题,本文进行以下两点改进:(1)针对原FJP算法最佳聚类数的确定问题,以K插值单纯形法的高斯径向核函数充分挖掘数据元素间的相似关系,并提出Kernels-VCN指标来评估所有划分结果,遵循类内数据尽可能相似和类间数据尽可能不相似的原则,最后以直观的指标值来自动确定最佳划分水平以及最佳聚类数,提高算法的自适应性。(2)针对FJP算法的α划分水平衰减范围过大,造成迭代多的问题,引入2014年《Science》密度峰聚类算法的决策图辅助FJP确定聚类中心,减少FJP最佳划分水平的衰减范围,达到降低FJP算法计算量的目的。通过在UCI数据集和人工数据集中实验验证,可以得出结论:本文提出的改进措施可以有效地提高FJP算法的准确率和计算效率。