集群中使用DBSCAN与默认欧几里德距离度量2-d圆形数据集。此外，比较使用聚类DBSCAN数据集的结果，ķ-Means与平方欧氏距离度量的聚类。

生成包含两个吵圈综合数据。

RNG（'默认'）％用于重现数据生成的参数％N = 300;每个簇的大小％R1 = 0.5;第一圆的半径％R2 = 5;第二圆的半径％THETA = linspace（0,2 * PI，N）';X1 = R1 * [cos（THETA），SIN（THETA）] +兰特（N，1）;X2 = R2 * [cos（THETA），SIN（THETA）] +兰特（N，1）;X = [X1; X2];％嘈杂2-d圆形数据集

可视化数据集。

散射（X（：，1），X（：，2））

该图显示，该数据集包含两个不同的集群。

对数据进行聚类DBSCAN。指定一个小量的1和值minpts值5。

IDX = DBSCAN（X，1,5）;％的默认距离度量是欧几里德距离

可视化集群。

gscatter（X（：，1），X（：，2），IDX）;标题（“DBSCAN使用欧氏距离度量”）

使用欧几里德距离度量，DBSCAN正确地识别数据集中的两个集群。

使用平方欧氏距离度量执行DBSCAN集群。指定一个小量的1和值minpts值5。

IDX2 = DBSCAN（X，1,5，'距离'，'squaredeuclidean'）;

可视化集群。

gscatter（X（：，1），X（：，2），IDX2）;标题（“DBSCAN使用平方欧氏距离度量”）

使用的平方欧几里德距离度量，DBSCAN正确地识别数据集中的两个集群。

演出ķ-Means聚类使用的平方欧几里德距离度量。指定ķ= 2簇。

kidx = k均值（X，2）;％默认距离度量欧氏距离平方

可视化集群。

gscatter（X（：，1），X（：，2），kidx）;标题（“K-借助于使用平方欧氏距离度量”）

使用平方欧氏距离度量，ķ-Means聚类无法正确识别所述数据集中的两个集群。

使用观测之间成对距离的矩阵执行DBSCAN聚类作为输入提供给DBSCAN功能，发现异常值和核心点的数量。该数据集是激光雷达扫描，存储为3-d点的集合，它包含围绕车辆的物体的坐标。

加载X，Y，Z物体的坐标。

加载（'lidar_subset.mat'）LOC = lidar_subset;

为了突出车辆周围的环境，感兴趣的区域设定为跨度20米左右的车，20米前后车辆，道路表面上方的区域。

xBound = 20;％的米yBound = 20;％的米zLowerBound = 0;％的米

裁剪数据只包含指定区域内的点。

指数= LOC（：，1）<= xBound＆LOC（：，1）> = -xBound...＆LOC（：，2）<= yBound＆LOC（：，2）> = -yBound...＆LOC（：，3）> zLowerBound;LOC = LOC（指数，:);

可视化的数据作为2 d散点图。注释情节来突出车辆。

散射（LOC（：，1），在上述（：，2），''）;注解（'椭圆'，[0.48 0.48 0.1 0.1]，'颜色'，'红'）

的点的集合（红色圆圈）的中心包含车辆的车顶和发动机罩。所有其他点的障碍。

预先计算成对距离矩阵d通过使用观测之间pdist2功能。

d = pdist2（LOC，LOC）;

通过使用群集的数据DBSCAN与成对距离。指定一个小量的2和值minpts的50值。

[IDX，corepts] = DBSCAN（d，2,50，'距离'，“预先计算”）;

可视化效果和注释图中突出显示特定集群。

gscatter（LOC（：，1），在上述（：，2），IDX）;注解（'椭圆'，[0.54 0.41 0.07 0.07]，'颜色'，'红'）网格

如图所示散点图，DBSCAN识别11簇和地点在一个单独的集群中的车辆。

DBSCAN受让人该组点的红色圆圈（和围绕着（3，-4）），以相同的群集（组7）作为基团中的情节的东南象限点。人们期望，这些群体应该是独立的集群。您可以尝试使用的较小值小量分裂大型集群，并进一步分区的点。

该功能还确定了一些异常值（一个IDX的价值-1）中的数据。找点的数量DBSCAN标识为离群值。

总和（IDX == -1）

ANS = 412

DBSCAN识别离群值412超出19070个观测。

找点的数量DBSCAN识别为核心点。一个corepts的价值1表示一个核心点。

总和（corepts == 1）

ANS = 18446

DBSCAN识别18446个作为观测核点。

看到确定DBSCAN参数的值更为详尽的例子。