密度树 Density-Tree

全网查了一圈似乎没有专讲密度树的文章，本人非常好奇，去搜了一圈，找到可能是密度树的定义，将它记录下来，希望能给大家带来启发。如果有大佬觉得不对，请立即指出。

参考

https://ieeexplore.ieee.org/abstract/document/1527273
这俩应该是同一篇文章

简介

密度树是一种用于聚类的结构

一些定义

单元的密度

给定一个对象 P 和参数 ε ，则在以P 为圆心 ε 为半径的圆内的所有的单元的数目即为单元的密度用 Density (P, ε)来表示。

单元系数

如果Q在P范围内，Q 的单元系数为

单元半径

${\epsilon }_Q={\epsilon }_p\ast \eta$

如下图所示，
计算可得到

构建方法

为了保证所有的数据都能得到处理而且只能处理一次，这里为每个聚类构建一棵密度树，当前对象为密度树的父结点，对象的所有领域为该节点的子结点，根据子节点和父结点之间距离，从左到右依次排列，如果一个子结点同时拥有多个父结点，左父结点优先。处理的方式为队列。

计算距离

预处理是计算任意两点间的距离，时间复杂度$O(n^2)$

计算最大半径

此处的${\epsilon }_0$为用户自己定义， Ave表示${\epsilon }_0$为半径的时候的平均值。
当一个点半径大于这个最大值的时候，半径赋值为最大值。

开始构建

构建的时候先在最外面写一个循环，每个点需要一个数组打标记，表示是否在树上，如果不是，则以该点为根建立密度树。之后构造的过程参考上面。维护形式为队列。

自己想说的话

本人是看了《probabilistic robotics》看到密度树的概念，其实现在来看主要是用了聚类的方法，精准分割状态空间。比如在直方图滤波中，一种分割状态空间的方法是等距分割，但用了密度树（聚类）后，低曲率的地方容易被聚类成一起，范围更宽，而高曲率的地方落差大，需要更精密地分割，容易聚类成多个类别。在总类别数一致的情况下，后者分割状态空间更精确。还有在粒子滤波里也看到了密度树的概念，那更好理解了，粒子聚集最密集的位置就是最可能的位置估计。但我很好奇，粒子的数量很多的话是否会导致运算时间很长？