clusterDBSCAN
基于密度的数据聚类算法
描述
clusterDBSCAN
集合属于的数据点P-维特征空间利用基于密度的空间聚类应用带噪声(DBSCAN)算法。聚类算法将特征空间中彼此接近的点分配到单个聚类中。例如,雷达系统可以返回在距离、角度和多普勒上紧密间隔的扩展目标的多次探测。clusterDBSCAN
将这些检测分配给单个检测。
DBSCAN算法假设集群是数据空间中的密集区域,由密度较低的区域分隔,并且所有的密集区域密度相似。
为了测量一个点的密度,算法计算该点附近的数据点的数量。社区是一个P特征空间中的-维椭圆(超椭圆)。椭圆的半径由函数定义P向量ε。ε可以是一个标量,在这种情况下,超椭圆就变成了超球。特征空间中点之间的距离使用欧氏距离度量计算。这个邻域叫做ε-邻域。ε的值由
ε
财产。ε
可以是标量或P向量:当特征空间的不同维度具有不同的单位时,就使用向量。
标量对所有维度应用相同的值。
聚类从找到所有开始核心点。如果一个点在它的ε-邻域内有足够多的点,这个点被称为核心点。一个点成为核心点所需的最小点数由
MinNumPoints
财产。核心点的ε-邻域的其余点可以是核心点本身。如果不是,它们就是边境点。ε-邻域中的所有点都叫做直接密度可及从核心观点出发。
如果一个核心点的ε-邻域包含其他核心点,则所有核心点的ε-邻域中的点合并在一起,形成ε-邻域的并集。这个过程将持续下去,直到不再添加核心点为止。
ε-邻域并集中的所有点都是密度可及从第一个核心点开始。事实上,从联盟的所有核心点,联盟的所有点都是密度可达的。
ε-邻域并集中的所有点也被命名密度连接尽管边界点不一定可获得的从对方。一个集群是密度连接点的最大集合,可以具有任意形状。
不是核心点或边界点的点是噪音点。它们不属于任何集群。
的
clusterDBSCAN
对象可以用a估计εk-最近邻搜索,或者您可以指定值。要让对象估计ε,设EpsilonSource
财产“汽车”
.的
clusterDBSCAN
对象可以消除包含歧义的数据。距离和多普勒可能是模棱两可的数据的例子。集EnableDisambiguation
财产真正的
消除歧义的数据。
集群检测:
创建
clusterDBSCAN
对象并设置其属性。调用带有参数的对象,就像调用函数一样。
要了解更多关于System对象如何工作的信息,请参见什么是系统对象?
创建
描述
创建一个clusterer运算
= clusterDBSCANclusterDBSCAN
对象,clusterer运算
,具有默认属性值的对象。
创建一个clusterer运算
= clusterDBSCAN(名称,值)clusterDBSCAN
对象,clusterer运算
,使用每个指定的属性的名字
设置为指定的价值
.可以以任意顺序指定附加的名称-值对参数,如(Name1
,Value1
、……以
,家
).任何未指定的属性都采用默认值。例如,
clusterer运算= clusterDBSCAN (“MinNumPoints”3,‘ε’,2,...“EnableDisambiguation”,真的,“AmbiguousDimension”[1, 2]);
EnableDisambiguation
属性设置为true和AmbiguousDimension
设置为[1,2]
.
属性
使用
语法
描述
[
也返回一组备用的集群id,idx
,clusterids
] = clusterer运算(X
)clusterids
,用于分阶段。RangeEstimator
而且分阶段。DopplerEstimator
对象。clusterids
为每个噪声点分配一个唯一的ID。
输入参数
输出参数
对象的功能
要使用对象函数,请将System对象™指定为第一个输入参数。例如,释放名为obj
,使用以下语法:
发行版(obj)
例子
算法
参考文献
[1] Ester M., Kriegel h . p .;, Sander J., Xu X.。“一种基于密度的大型噪声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,OR, AAAI出版社,1996,页226-231。
[2]埃里克·舒伯特,Jörg桑德,马丁·艾斯特,汉斯-彼得·克里格尔,徐晓伟,2017。“DBSCAN的再版,再版:为什么和如何使用DBSCAN”。ACM反式。数据库系统。42,3,第19条(2017年7月),21页。
[3] Dominik Kellner, Jens Klappstein和Klaus Dietmayer,“基于网格的DBSCAN聚类雷达数据扩展对象”,2012年IEEE智能汽车研讨会.
Thomas Wagner, Reinhard Feger和Andreas Stelzer,“一种基于网格的快速距离/多普勒/DoA测量聚类算法”,第十三届欧洲雷达会议论文集.
[5] Mihael Ankerst, Markus M. Breunig, Hans-Peter Kriegel, Jörg Sander,“光学:排序点识别聚类结构”,ACM SIGMOD ' 99 Int型。数据管理会议宾夕法尼亚州费城,1999年。
扩展功能
版本历史
介绍了R2021a