基于密度峰值的聚类算法MATLAB实现

资 源 简 介

该MATLAB项目实现了《Science》期刊提出的密度峰值聚类算法（DPC），通过计算局部密度和距离自动识别聚类中心，无需预设类别数，适用于高效数据挖掘与模式识别。

详 情 说 明

基于密度峰值的快速搜索与发现聚类算法 MATLAB 实现

项目介绍

本项目实现了2014年发表于《Science》期刊的重要聚类算法论文《Clustering by fast search and find of density peaks》中的核心算法。该算法通过分析数据点的局部密度分布和相对距离关系，能够自动识别聚类中心并完成高效聚类，特别适用于发现任意形状的类簇结构。

功能特性

• 智能密度计算：支持基于截断距离和高斯核函数的两种局部密度估算方法
• 自适应参数：可自动计算最优截断距离，减少参数调优负担
• 双模式中心选择：提供自动阈值检测和手动指定两种聚类中心确定方式
• 可视化分析：生成决策图辅助用户直观识别聚类中心
• 完整聚类流程：从数据预处理到结果分配的一站式解决方案

使用方法

基本调用

% 加载数据 data = load('your_data.mat');

% 自动聚类（自动确定聚类中心） [labels, centers] = main(data);

% 手动指定聚类中心数量 [labels, centers] = main(data, 'num_centers', 5);

% 自定义截断距离 [labels, centers] = main(data, 'dc', 0.5);

参数说明

• data: N×D数据矩阵（N个样本，D个特征）
• dc: 截断距离参数（可选，默认自动计算）
• num_centers: 指定聚类中心数量（可选）
• method: 密度计算方法（'cutoff'或'gaussian'）

结果可视化

算法自动生成决策图（密度-距离散点图），用户可通过观察图中的离群点（右上角）确定聚类中心。

系统要求

• MATLAB R2016b 或更高版本
• 统计学和机器学习工具箱
• 至少 4GB 内存（适用于中等规模数据集）

文件说明

主程序文件整合了算法的完整工作流程，包含数据读入、参数初始化、局部密度计算、相对距离度量、聚类中心识别决策、非中心点分配等核心操作环节，并负责结果输出与可视化展示的协调控制。