对于高维数据，分别从等距和冗余属性得出的距离计算失败和效率低下的索引树严重影响了聚类算法的性能。 为了解决这些问题，本文介绍了一种基于顺序Psim矩阵和差分截断的高维数据聚类算法。 首先，利用Psim函数计算高维数据的相似度，避免了等距。 其次，数据采用顺序Psim矩阵进行组织，从而提高了索引性能。 第三，初始簇是通过微分截断产生的。 最后，使用K-Medoids算法精炼聚类。 在两种类型的数据集中，将该算法与K-Medoids和谱聚类算法进行了比较。 实验结果表明，本文提出的算法在迭代次数较少
