将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。

此函数返回任何图 (DAG) 的有向拉普拉斯矩阵。 这是下面提到的论文的直接实现。 Graph Laplacian 使用以下公式计算L = I - (Phi^{1/2} * P * Phi^{-1/2} + Phi^{-1/2} * P^T * Phi^{1/2} ) / 2 在哪里， I ：单位矩阵， Phi ：对角线上 P 的 Perron 向量和其他地方为零的矩阵，以及P : 图的转移矩阵。 这个值取决于步行图探索的类型。 !! 当前实现仅包括“PageRank”步行类型。 !! 未来实施计划：“随机游走” 参考论文： Chung, F. (2005)。 有向图的拉普拉斯算子和 Cheeger 不等式。 组合年鉴，9（1），1-19。

图论中的拉普拉斯矩阵物理意义，对了解谱分割很有帮助

N-Cut 图像分割 以及聚类算法的Matlab实现

这个代码功能是随机的生成20个结点，并随机选择其中的某些点进行连接， 表示相互间有通信，最终生成连通图。并将邻接矩阵和拉普拉斯阵输出成.txt文档。

这个代码功能是随机生成20个结点，并随机选择其中的某些点进行连接，表示相互间有通信，最终生成连通图。并将邻接矩阵和拉普拉斯阵输出成txt文档。