dbscan算法实验报告.docxVIP

一． 算法概述 1. 密度聚类原理 　　DBSCAN 是一种基于密度的聚类算法，这类密度聚类算法一般假 定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们 之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定 有同类别的样本存在。 　　通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。 通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得 到了最终的所有聚类类别结果。 2. DBSCAN 密度定义 　　DBSCAN 是基于一组邻域来描述样本集的紧密程度的，参数(?, MinPts)用来描述邻域的样本分布紧密程度。其中，? 描述了某一样 本的邻域距离阈值，MinPts 描述了某一样本的距离为 ? 的邻域中样 本个数的阈值。假设我的样本集是 D=(x1,x2,...,xm),则 DBSCAN 具体 的密度描述定义如下： 　　　　1） ?-邻域：对于 xj∈D，其 ?-邻域包含样本集 D 中与 xj 的 距离不大于 ? 的子样本集，即 N?(xj)={xi∈D|distance(xi,xj)≤?}, 这个子 样本集的个数记为|N?(xj)| 　　　　2) 核心对象：对于任一样本 xj∈D，如果其 ?-邻域对应的 N?(xj)至少包含 MinPts 个样本，即如果|N?(xj)|≥MinPts，则 xj 是核心对象。　 　　　　3）密度直达：如果 xi 位于 xj 的 ?-邻域中，且 xj 是核心对 象，则称 xi 由 xj 密度直达。注意反之不一定成立，即此时不能说 xj 由 xi 密度直达, 除非且 xi 也是核心对象。 　　　　4）密度可达：对于 xi 和 xj,如果存在样本样本序列 p1,p2,...,pT,满足 p1=xi,pT=xj, 且 pt+1 由 pt 密度直达，则称 xj 由 xi 密 度可达。也就是说，密度可达满足传递性。此时序列中的传递样本 p1,p2,...,pT?1 均为核心对象，因为只有核心对象才能使其他样本密度直达。注意 密度可达也不满足对称性，这个可以由密度直达的不对称性得出。 　　　　5）密度相连：对于 xi 和 xj,如果存在核心对象样本 xk，使 xi 和 xj 均由 xk 密度可达，则称 xi 和 xj 密度相连。注意密度相连关 系是满足对称性的。 3. DBSCAN 密度聚类思想 　　　　DBSCAN 的聚类定义很简单：由密度可达关系导出的最大密 度相连的样本集合，即为我们最终聚类的一个类别，或者说一个簇。 　　　　这个 DBSCAN 的簇里面可以有一个或者多个核心对象。如 果只有一个核心对象，则簇里其他的非核心对象样本都在这个核心 对象的 ?-邻域里；如果有多个核心对象，则簇里的任意一个核心对 象的 ?-邻域中一定有一个其他的核心对象，否则这两个核心对象无 法密度可达。这些核心对象的 ?-邻域里所有的样本的集合组成的一 个 DBSCAN 聚类簇。 　　　　 4. DBSCAN 聚类算法 　　　　下面我们对 DBSCAN 聚类算法的流程做一个总结。 　　　　输入：样本集 D=(x1,x2,...,xm)，邻域参数(?,MinPts), 样本距 离度量方式 　　　　输出： 簇划分 C.　 　　　　1）初始化核心对象集合 Ω=?,  初始化聚类簇数 k=0，初始 化未访问样本集合 Γ = D, 簇划分 C = ? 　　　　2) 对于 j=1,2,...m, 按下面的步骤找出所有的核心对象： 　　　　　　a) 通过距离度量方式，找到样本 xj 的 ?-邻域子样本集 N?(xj) 　　　　　　b) 如果子样本集样本个数满足|N?(xj)|≥MinPts， 将样 本 xj 加入核心对象样本集合：Ω=Ω∪{xj} 　　　　3）如果核心对象集合 Ω=?，则算法结束，否则转入步骤 4. 　　　　4）在核心对象集合 Ω 中，随机选择一个核心对象 o，初始 化当前簇核心对象队列 Ωcur={o}, 初始化类别序号 k=k+1，初始化当 前簇样本集合 Ck={o}, 更新未访问样本集合 Γ=Γ?{o} 　　　　5）如果当前簇核心对象队列 Ωcur=?，则当前聚类簇 Ck 生 成完毕, 更新簇划分 C={C1,C2,...,Ck}, 更新核心对象集合 Ω=Ω?Ck ， 转入步骤 3。 　　　　6）在当前簇核心对象队列 Ωcur 中取出一个核心对象 o′,通 过邻域距离阈值 ? 找出所有的 ?-邻域子样本集 N?(o′)，令 Δ=N?(o′)∩Γ, 更新当前簇样本集合 Ck=Ck∪Δ, 更新未访问样本集合 Γ=Γ?Δ, Ωcur=Ωcur∪(N?(o′)∩Ω)，转入步骤 5. 　　　　输出结果为： 簇划分 C={C1,C2,...,Ck} 二． 实验目标 算法：DBScan，基于密度的