matlab dbscan程序,matlab练习程序（DBSCAN）

DBSCAN全称Density-Based Spatial Clustering of Applications with Noise，是一种密度聚类算法。

和Kmeans相比，不需要事先知道数据的类数。

以编程的角度来考虑，具体算法流程如下：

1.首先选择一个待处理数据。

2.寻找和待处理数据距离在设置半径内的数据。

3.将找到的半径内的数据放到一个队列中。

4.拿队列头数据作为当前待处理数据并不断执行第2步。

5.直到遍历完队列中所有数据，将这些数据记为一类。

6.选择没有处理到的数据作为一个待处理数据执行第2步。

7.直到遍历完所有数据，算法结束。

大概就是下图所示的样子：

我这里没有单独输出离群点，不过稍微改进增加离群点个数判断阈值应该就可以，比较容易修改。

代码如下：

clear all;

close all;

clc;

theta=0:0.01:2*pi;

p1=[3*cos(theta) + rand(1,length(theta))/2;3*sin(theta)+ rand(1,length(theta))/2]; %生成测试数据

p2=[2*cos(theta) + rand(1,length(theta))/2;2*sin(theta)+ rand(1,length(theta))/2];

p3=[cos(theta) + rand(1,length(theta))/2;sin(theta)+ rand(1,length(theta))/2];

p=[p1 p2 p3]';

randIndex = randperm(length(p))'; %打乱数据顺序

p=p(randIndex,:);

plot(p(:,1),p(:,2),'.')

flag = zeros(length(p),1); %聚类标记

clsnum = 0; %类的个数

disnear = 0.3; %聚类半径

for i=1:length(p)

nxtp = p(i,:); %初始聚类半径内的邻域点队列

if flag(i)==0

clsnum = clsnum+1;

pcstart = 1; %设置队列起始指针

preflag = flag; %聚类标记更新

while pcstart<=length(nxtp) %判断是否完成队列遍历

curp = nxtp(pcstart,:); %得到当前要处理的点

pcstart = pcstart+1; %队列指针更新

diffp = p-curp; %这里直接和所有数据比较了，数据量大的时候可以考虑kdtree

dis = sqrt(diffp(:,1).*diffp(:,1)+diffp(:,2).*diffp(:,2)); %判断当前点与所有点之间的距离

ind = dis

flag(ind) = clsnum; %设置当前聚类标记

diff_flag = preflag-flag;

diff_ind = (preflag-flag)<0; %判断本次循环相比上次循环增加的点

tmp = zeros(length(p),1);

tmp(diff_ind) = clsnum;

flag = flag + tmp; %增加的点将其标记为一类

preflag = flag; %聚类标记更新

nxtp = [nxtp;p(diff_ind,:)]; %增加聚类半径内的邻域点队列

end

end

end

%聚类可能不止三组，我偷懒不想判断并plot了

figure;

plot(p(flag==1,1),p(flag==1,2),'r.')

hold on;

plot(p(flag==2,1),p(flag==2,2),'g.')

plot(p(flag==3,1),p(flag==3,2),'b.')

结果如下：

原始数据：

聚类结果：

标签：rand,DBSCAN,练习,flag,length,matlab,聚类,theta,数据

来源： https://www.cnblogs.com/tiandsp/p/11178274.html