研究表明，密度窗宽是求解局部密度的窗口半径，是由样本数据本身特性确定的局部宽度参数，也是数据分类的尺度，当点间距离小于或等于密度窗宽时则按类内计算，否则按另类计算，从而达到分类的目的。它的取值既要使包含在窗口内的样本点平均个数不太少，以避免滑动平均偏差太大，又不能使它随样本个数的增大而增加太高[1]。对于某一样本群体，要得到合理的分类结果就必须选择合理的密度窗宽。从另一角度分析，在一定范围内不同的密度窗宽取值必然得到不同的投影方向向量，也就是从不同方向观测数据样本所暴露的特性，就有可能得到不同的结果，我们希望找出最能反应样本重要特征的最优投影方向。因此，密度窗宽的取值在投影寻踪聚类模型中非常关键，它的取值合理与否直接关系到样本分类结果的合理与否。
同时，对于不同的问题密度窗宽的取值也不相同，关于这方面的研究较少，目前大多是通过试算来确定，或通过样本投影值标准差的10%进行取值计算[1]，但都缺乏理论依据，不便于模型在实际工程中推广应用。下面将从模型的数学构造来深入研究密度窗宽的特性及合理取值。
表7-5和表7-6给出了两组关于投影特征值随密度窗宽取值不同的变化情况，从表中投影特征值的变化特性可以看出，当密度窗宽较小时，投影特征值随密度窗宽的增大变化幅度较大，但当密度窗宽取值增大到一定程度时，投影特征值却趋于稳定，投影特征值再不随密度窗宽的增大而变化。这一现象说明密度窗宽的取值是有一定的下限，只要其取值大于某一数值时，投影特征值的大小将不再受密度窗宽取值不同的影响，评价结果自然也就再不会随密度窗宽的不同而发生变化。
表7-5 投影特征值及投影分量值随密度窗宽的变化
表7-6 投影特征值及投影分量值随密度窗宽的变化
由于R＞0，且当i＝k时有（R-rik）f（R-rik）＝R，同时rik＝rki，于是可将式（7-49）整理如下
图7-8 投影特征值随密度窗宽变化关系（m＝4）
综上所述，可进一步缩小密度窗宽的取值范围，在实际运算中可取
图7-9 投影特征值随密度窗宽变化关系（m＝8）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
