基于密度的聚类数据算法
clusterDBSCAN
属于a的群集数据点P- 使用具有噪声(DBSCAN)算法的基于密度的空间聚类的多维特征空间。聚类算法将特征空间中彼此彼此接近的点到单个群集。例如,雷达系统可以返回多次间隔,角度和多普勒紧密间隔的延伸目标的多个检测。clusterDBSCAN
将这些检测分配给单个检测。
DBSCAN算法假设群集是在较低密度的区域分开的数据空间中的密集区域,并且所有致密区域具有相似的密度。
为了测量一个点的密度,该算法计算该点附近的数据点的数量。一个社区是一个P特征空间的-维椭圆(超椭圆)。椭圆的半径是由P向量ε。ε可以是标量,在这种情况下,超椭圆变成了超球。利用欧几里得距离度量计算特征空间中点之间的距离。邻域称为ε邻域。ε值由埃斯利昂
财产。埃斯利昂
可以是标量或P向量:
当特征空间的不同维度有不同的单位时,使用向量。
标量对所有维度都适用相同的值。
通过查找全部启动群集核心点。如果点在其ε-邻域中有足够数量的点,则该点被称为核心点。要成为核心点的点所需的最小点数是由MinNumPoints
财产。
核点ε邻域内的剩余点可以是核点本身。如果不是,那就是边境点。ε邻域内的所有点称为直接密度可及从核心点。
如果一个核点的ε邻域包含其他核点,则所有核点的ε邻域内的点合并在一起形成ε邻域并集。这个过程会一直持续下去,直到不能再添加核心点为止。
ε邻域并集中的所有点为密度可及从第一个核心点开始。事实上,并集中的所有点都是从并集的所有核心点密度可达的。
ε-社区联盟的所有点也被称为密度连接尽管边界点不一定可达彼此。一种集群是最大密度连接点的最大组,可以具有任意形状。
不是核心点或边界点的点是噪音点。它们不属于任何群集。
的clusterDBSCAN
对象可以使用a估计εk-nearest neighbor search,或者可以指定值。为了让对象估计ε,设置epsilonsource.
财产“汽车”
.
的clusterDBSCAN
对象可以消除包含歧义的数据。距离和多普勒是可能存在模糊数据的例子。集启示汉语
财产真正的
消除数据。
群集检测:
创建clusterDBSCAN
对象并设置其属性。
用参数调用对象,就像它是一个函数一样。
要了解有关系统对象如何工作的更多信息,请参阅什么是系统对象?.
创造一个集群
= clusterDBSCANclusterDBSCAN
对象,集群
,对象的默认属性值。
创造一个集群
= clusterDBSCAN(名称,值)clusterDBSCAN
对象,集群
,并使用每个指定的属性姓名
设置为指定的价值
.您可以以任何顺序指定其他名称值对参数(名称1
,value1.
,...,以
,赋值
).任何未指定的属性都占用默认值。例如,
clusterer运算= clusterDBSCAN (“MinNumPoints”,3,'epsilon'2,......'启示汉语,真的,'ambiguitydimension',[1 2]);
启示汉语
属性设置为true,则AmbiguityDimension.
设置[1,2]
.
[
还返回备用一组群集ID,idx.
,clusterids
] = clusterer运算(X
)clusterids
,用于分阶段。RangeEstimator
和阶段.Dopplerestimator.
对象。clusterids
为每个噪声点分配唯一ID。
要使用对象函数,请将System Object™指定为第一个输入参数。例如,要发布命名的系统对象的系统资源obj.
,使用下面的语法:
释放(obj)
Ester M., Kriegel h . p ., Sander J., Xu X.。“基于密度的大型空间数据库聚类发现算法”。Proc。第二Int。知识发现与数据挖掘研讨会,波特兰,奥尔特,AAAI出版社,1996,第226-231页。
[2]埃里希·舒伯特,Jörg桑达,马丁·埃斯特,汉斯-彼得·克里格尔,徐晓伟。2017。DBSCAN Revisited, Revisited: Why and How You Should (Still) Use DBSCANACM反式。数据库系统。42,3,第19条(2017年7月),21页。
[3] Dominik Kellner, Jens Klappstein and Klaus Dietmayer,“基于网格的DBSCAN雷达数据扩展目标聚类”,2012 IEEE智能汽车研讨会.
[4] Thomas Wagner, Reinhard Feger, and Andreas Stelzer,“一种用于距离/多普勒/DoA测量的快速网格聚类算法”,第13届欧洲雷达会议的诉讼程序.
[5] Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel, Jörg Sander,《OPTICS:排序点识别集群结构》,Proc。ACM Sigmod'99 int。Conf。关于数据管理1999年,宾夕法尼亚州费城。