基于DBSCAN的带噪声圆环聚类分析（MATLAB-附案例代码）

目录

1. 摘要

2. 基本原理

2.1. DBSCAN聚类算法

2.2. 计算原理

2.3. 优缺点

3. 基于DBSCAN的聚类分析

参考文献

附录--案例代码

---

1. 摘要

阐述了DBSCAN方法的原理，并使用DBSCAN方法，对随机生成的两个带噪声的圆环进行聚类分析。此外，计算了在不同密度参数下的聚类结果，分析了不同密度参数对聚类效果的影响。

2. 基本原理

2.1 DBSCAN聚类算法

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）是一种基于密度的空间聚类算法。 该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。

传统k-means这类聚类算法只能处理球形的簇，也就是一个聚成实心的团（这是因为算法本身计算平均距离的局限）。然而，对于往往现实中存在的其他环形和不规则形等， DBSCAN的基于密度的空间聚类特点就有传统的聚类算法所不具备的优势。

图 2.1 DBSCAN聚类结果

图 2.2 K-means聚类结果

2.2. 计算原理

基于密度的方法：空间中任意一点的密度是以该点为圆心，以EPS为半径的圆区域内包含的点数目。

它的工作原理是这样的：

1. 首先，选择两个参数，一个半径epsilon和一个最小成簇数量minPoints。
2. 然后，从数据集中的任意点开始。如果在距离该点epsilon的距离内有超过minPoints个点（包括原始点本身），我们认为所有这些点都是“簇”的一部分。
3. 然后，通过检查所有新点来扩展该集群，看看它们在ε的距离内是否也有超过minPoints的点，如果是，则递归地增长集群。
4. 最终，用完了要添加到集群中的点后，选择一个新的任意点并重复这个过程。

如果选择的一个点在其epsilon距离内的点完全有可能少于minPoints，并且也不属于任何其他簇的一部分。如果是这样的话，它被认为是一个不属于任何集群的“噪声点”。

2.3. 优缺点

（1） 优点

• 这类算法能克服基于距离的算法只能发现“类圆形”(凸)的聚类的缺点
• 可发现任意形状的聚类，且对噪声数据不敏感。
• 不需要指定类的数目cluster
• 算法中只有两个参数，扫描半径 (eps)和最小包含点数(min_samples)

（2）缺点：

• 计算复杂度，不进行任何优化时，算法的时间复杂度是O(N^{2})，通常可利用R-tree，k-d tree, ball
• tree索引来加速计算，将算法的时间复杂度降为O(Nlog(N))。
• 受eps影响较大。在类中的数据分布密度不均匀时，eps较小时，密度小的cluster会被划分成多个性质相似的cluster；eps较大时，会使得距离较近且密度较大的cluster被合并成一个cluster。在高维数据时，因为维数灾难问题，eps的选取比较困难。
• 依赖距离公式的选取，由于维度灾害，距离的度量标准不重要
• 不适合数据集集中密度差异很大的，因为eps和metric选取很困难

3. 基于DBSCAN的聚类分析

随机生成包含噪声的两个圆圈，半径分别为0.8和5，每个圆圈包含400个数据，总计原始数据800个。其原始数据可视化结果如下：

图 3.1原始数据可视化

使用matlab自编码的DBSCAN算法，计算聚类结果。其中选取了不同的半径和密度参数，设定如下3个场景：

场景编号	Epsilon	Minpoints
1	0.5	5
2	0.5	10
3	1	5

聚类结果如下：

图 3.2 Epsilon=0.5，minpoints=5聚类结果

图 3.3 Epsilon=0.5，minpoints=10聚类结果

图 3.4 Epsilon=1，minpoints=5聚类结果

可见不同的密度参数会极大影响数据聚类结果，半径越大，成簇数量越小，所分类别越少，反之越多。此外，DBSCAN可发现任意形状的聚类，且对噪声数据不敏感。

参考文献

[1] DBSCAN聚类算法——机器学习（理论+图解+python代码）_风弦鹤的博客-CSDN博客. Blog. DBSCAN聚类算法——机器学习（理论+图解+python代码）-CSDN博客

[2] DBSCAN聚类算法——基于密度的聚类方式（理论+图解+python代码）_dbscan clustering_Lindsay.Lu丶的博客-CSDN博客. Blog. DBSCAN聚类算法——基于密度的聚类方式（理论+图解+python代码）_基于密度的聚类算法dbscan-CSDN博客

附录-案例代码

本案例的Matlab代码如下：

clc;                    
clear;                  
close all;              
 
%% Generate Data           
% 生成包含两个噪声圆圈的数据
 N =400;  % Size of each cluster
r1 = 0.8; 
r2 = 5;   
theta = linspace(0,2*pi,N)';

X1 = r1*[cos(theta),sin(theta)]+ rand(N,1);
X2 = r2*[cos(theta),sin(theta)]+ rand(N,1);
X = [X1;X2]; % Noisy 2-D circular data set

%% 可视化原始数据
figure('name','原始数据可视化')
scatter(X(:,1),X(:,2));
set(gca,'FontSize',12);
 
%% Run DBSCAN Clustering 
 
epsilon=1;                          % 两个关键参数的取值
MinPts=5;
IDX=DBSCAN(X,epsilon,MinPts);        
 
 %% Plot Results                      
 figure('name','DBSCAN聚类结果');
PlotClusterinResult(X, IDX);          
set(gca,'FontSize',12);
title(['DBSCAN Clustering (\epsilon = ' num2str(epsilon) ', MinPts = ' num2str(MinPts) ')']);
%%%%%%%  ————DBSCAN函数 ——————%%%%%%%%%%%%
function [IDX, isnoise]=DBSCAN(X,epsilon,MinPts)    % DBSCAN聚类函数
    C=0;                      
    n=size(X,1);               
    IDX=zeros(n,1);            
    D=pdist2(X,X);             
    visited=false(n,1);        
    isnoise=false(n,1);        
    for i=1:n                  
        if ~visited(i)         
            visited(i)=true;   
            Neighbors=RegionQuery(i);   
            if numel(Neighbors)<MinPts    % 如果小于MinPts
                % X(i,:) is NOISE        
                isnoise(i)=true;          % 该点是异常点
            else             
                C=C+1;        
                ExpandCluster(i,Neighbors,C);   
            end
            
        end
    
    end                   
    function ExpandCluster(i,Neighbors,C)    
        IDX(i)=C;                          
        
        k = 1;                             
        while true                           % 一直循环
            j = Neighbors(k);                
            if ~visited(j)                   
                visited(j)=true;             
                Neighbors2=RegionQuery(j);   
                if numel(Neighbors2)>=MinPts 
                    Neighbors=[Neighbors Neighbors2];   %#ok 
                end
            end 
            if IDX(j)==0                     
                IDX(j)=C;                    
            end                              
            
            k = k + 1; 
            if k > numel(Neighbors) 
                break;
            end
        end
    end 
    function Neighbors=RegionQuery(i)      % 该函数用来查询周围点中距离小于等于epsilon的个数
        Neighbors=find(D(i,:)<=epsilon);
    end
end

%%%% ————— 画图函数—————%%%%%%%
function PlotClusterinResult(X, IDX)               
    k=max(IDX); 
    Colors=hsv(k); 
    Legends = {};
    for i=0:k 
        Xi=X(IDX==i,:);                    
        if i~=0  
            Style = 'x';   
            MarkerSize = 8; 
            Color = Colors(i,:);  
            Legends{end+1} = ['Cluster #' num2str(i)]; 
        else
            Style = 'o';  
            MarkerSize = 6;  
            Color = [0 0 0]; 
            if ~isempty(Xi)
                Legends{end+1} = 'Noise';  
            end
        end
        if ~isempty(Xi)
            plot(Xi(:,1),Xi(:,2),Style,'MarkerSize',MarkerSize,'Color',Color);
        end
        hold on;
    end
    hold off;     
    axis equal;
    grid on; 
    legend(Legends);
    legend('Location', 'NorthEastOutside'); 
end