DBSCAN 是一种经典的基于密度聚类算法,能够自动确定簇的数量,对任意形状的簇都能有效处理。SA2DBSCAN 聚类算法,通过分析数据集统计特性来自动确定Eps 和minPts 参数

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。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。 使用场景: 用于不均匀的簇大小，以及非平坦的集合结构

密度聚类算法报告

传统的K-means算法随机选取初始聚类中心，聚类结果不稳定，容易陷入局部最优解。针对聚类中心的敏感性，提出一种优化初始聚类中心的K-means算法。此算法利用数据集样本的分布特征计算样本点的密度并进行分类，在高密度区域中选择K个密度最大且相互距离超过某特定阈值的点作为初始聚类中心，并对低密度区域的噪声点单独处理。实验证明，优化后的算法能取得更好的聚类效果，且稳定性增强。

本密度聚类算法dbscan是基于周志华老师《机器学习》介绍编程的，经检验效率较高

采用C++ 实现基于密度聚类算法DBScan的实现

基于MATLAB的密度聚类程序，DBSCAN.m，运行正确。

基于密度的聚类算法，DBSCAN算法，在Matlab上实现。文档中包含两个txt的数据集，读者可替换数据集感受DBScan算法聚类的实现结果。

写了DBSCAN的文章。这里整理提供第二个实现代码，在Matlab上运行较好。文件包含算法ppt，程序和运行结果。

Rodriguez A, Laio A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.基于这篇文章实现的最基本的密度聚类的算法，具体请看我博客中的相关文章http://blog.csdn.net/kryolith/article/details/39832573