clusterDBSCAN

Кластеризация данных

Описание

clusterDBSCAN точки данных кластеров, принадлежащие P - размерное пространство признаков с помощью основанной на плотности пространственной кластеризации приложений с шумом (DBSCAN) алгоритм. Кластеризирующийся алгоритм присваивает точки, которые являются друг близко к другу в пространстве признаков к одному кластеру. Например, радиолокационная система может возвратить несколько обнаружений расширенной цели, которые близко расположены в области значений, углу и Доплере. clusterDBSCAN присвоения эти обнаружения к одному обнаружению.

Алгоритм DBSCAN принимает, что кластеры являются плотными областями в пространстве данных, разделенном областями более низкой плотности и что все плотные области имеют подобную плотность.
Чтобы измерить плотность в точке, алгоритм считает количество точек данных в окружении точки. Окружением является P - размерный эллипс (гиперэллипс) в пространстве признаков. Радиусы эллипса заданы P - вектор ε. ε может быть скаляром, в этом случае, гиперэллипс становится гиперсферой. Расстояния между точками в пространстве признаков вычисляются с помощью Евклидовой метрики расстояния. Окружение называется ε-neighborhood. Значение ε задано Epsilon свойство. Epsilon может или быть скаляр или P - вектор:
- Вектор используется, когда различные размерности в пространстве признаков имеют различные модули.
- Скаляр применяет то же значение ко всем размерностям.
Кластеризация запускается путем нахождения всех базовых точек. Если точка имеет достаточное число точек в его ε-neighborhood, точка называется базовой точкой. Минимальное число точек, требуемое для точки стать базовой точкой, установлено MinNumPoints свойство.
Остающиеся точки в ε-neighborhood базовой точки могут быть самими базовыми точками. В противном случае они - пограничные точки. Все точки в ε-neighborhood называются непосредственно плотностью, достижимой от базовой точки.
Если ε-neighborhood базовой точки содержит другие базовые точки, точки в ε-neighborhoods всего базового слияния точек вместе, чтобы сформировать объединение ε-neighborhoods. Этот процесс продолжается, пока больше базовых точек не может быть добавлено.
- Все точки в объединении ε-neighborhoods являются плотностью, достижимой от первой базовой точки. На самом деле все точки в объединении являются плотностью, достижимой от всех базовых точек в объединении.
- Все точки в объединении ε-neighborhoods также называют плотностью, соединенной даже при том, что пограничные точки не обязательно достижимы друг от друга. Кластер является максимальным набором соединенных с плотностью точек и может иметь произвольную форму.
Точки, которые не являются базовыми или пограничные точки, являются шумовыми точками. Они не принадлежат никакому кластеру.
clusterDBSCAN объект может оценить ε с помощью k - самый близкий соседний поиск, или можно задать значения. Чтобы позволить объектной оценке ε, установите EpsilonSource свойство к 'Auto'.
clusterDBSCAN объект может снять неоднозначность данных, содержащих неоднозначности. Область значений и Доплер являются примерами возможно неоднозначных данных. Установите EnableDisambiguation свойство к true снять неоднозначность данных.

К кластерным обнаружениям:

Создайте clusterDBSCAN объект и набор его свойства.
Вызовите объект с аргументами, как будто это была функция.

Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты? MATLAB.

Создание

Синтаксис

clusterer = clusterDBSCAN

clusterer = clusterDBSCAN(Name,Value)

Описание

пример

clusterer = clusterDBSCAN создает clusterDBSCAN объект, clusterer, объект со значениями свойств по умолчанию.

clusterer = clusterDBSCAN(Name,Value) создает clusterDBSCAN объект, clusterer, с каждым заданным свойством Name установите на заданный Value. Можно задать дополнительные аргументы пары "имя-значение" в любом порядке как (Name1, Value1..., NameN, ValueN). Любые незаданные свойства берут значения по умолчанию. Например,

clusterer = clusterDBSCAN('MinNumPoints',3,'Epsilon',2, ...
'EnableDisambiguation',true,'AmbiguousDimension',[1 2]);

создает clusterer с EnableDisambiguation набор свойств к истине и AmbiguousDimension установите на [1,2].

Свойства

развернуть все

Если в противном случае не обозначено, свойства являются ненастраиваемыми, что означает, что вы не можете изменить их значения после вызова объекта. Объекты блокируют, когда вы вызываете их и release функция разблокировала их.

Если свойство является настраиваемым, можно изменить его значение в любое время.

Для получения дополнительной информации об изменении значений свойств смотрите Разработку системы в MATLAB Используя Системные объекты (MATLAB).

`EpsilonSource` — Источник эпсилона
`'Property'` (значение по умолчанию) | `'Auto'`

Источник значений эпсилона, задающих ε-neighborhood, заданный как 'Property' или 'Auto'.

Когда вы устанавливаете EpsilonSource свойство к 'Property', ε получен из Epsilon свойство.
Когда вы устанавливаете EpsilonSource свойство к 'Auto', ε оценивается автоматически с помощью k - самый близкий сосед (k-NN) поиск в области значений значений k с _min k к k _{максимум.}

$\begin{array}{l} k_{\min} = MinNumPoints - 1 \\ k_{\max} = MaxNumPoints - 1 \end{array}$
Вычитание каждый необходим, потому что количество соседей точки не включает саму точку, тогда как MinNumPoints и MaxNumPoints обратитесь к общему количеству точек в окружении.

Типы данных: char | string

`Epsilon` — Радиус для поиска окружения
10.0 (значение по умолчанию) | положительная скалярная величина | положительный, 1 с действительным знаком P вектором-строкой

Радиус для поиска окружения, заданного как положительная скалярная величина или положительный, 1 с действительным знаком P вектором-строкой. P является количеством функций во входных данных, X.

Epsilon задает радиусы эллипса вокруг любой точки, чтобы создать ε-neighborhood. Когда Epsilon скаляр, тот же радиус применяется ко всем размерностям признаков. Можно применить различные значения эпсилона для различных функций путем определения положительного, 1 с действительным знаком P вектором-строкой. Вектор-строка создает многомерный эллипс (гиперэллипс) область поиска, полезная, когда функции данных имеют различные физические значения, такие как область значений и Доплер. Смотрите Оценочный Эпсилон для получения дополнительной информации об этом свойстве.

Можно использовать clusterDBSCAN.estimateEpsilon или clusterDBSCAN.discoverClusters возразите функциям, чтобы помочь оценить скалярное значение для эпсилона.

Пример: [11 21.0]

Настраиваемый: да

Зависимости

Чтобы включить это свойство, установите EpsilonSource свойство к 'Property'.

Типы данных: double

`MinNumPoints` — Минимальное число точек требуется для кластера
3 (значение по умолчанию) | положительное целое число

Минимальное число точек в ε-neighborhood точки для той точки, чтобы стать базовой точкой, заданной как положительное целое число. Смотрите Выбор Minimum Number of Points для получения дополнительной информации. Когда объект автоматически оценивает эпсилон с помощью поиска-NN k, начальным значением k (_min k) является MinNumPoints - 1.

Пример 5

Типы данных: double

`MaxNumPoints` — Установите конец k область значений поиска-NN
10 (значение по умолчанию) | положительное целое число

Установите конец k диапазон поиска-NN, указанный как положительное целое число. Когда объект автоматически оценивает эпсилон с помощью поиска-NN k, конечным значением k (k _макс.) является MaxNumPoints - 1.

Пример: 13

Зависимости

Чтобы включить это свойство, установите EpsilonSource свойство к 'Auto'.

Типы данных: double

`EpsilonHistoryLength` — Длина кластерной пороговой истории эпсилона
10 (значение по умолчанию) | положительное целое число

Длина сохраненной истории эпсилона, заданной как положительное целое число. Когда установлено в одного, история без памяти, означая, что каждая оценка эпсилона сразу используется, и никакое сглаживание скользящего среднего значения не происходит. Когда больше, чем один, эпсилон усреднен по заданной длине истории.

Пример 5

Зависимости

Чтобы включить это свойство, установите EpsilonSource свойство к 'Auto'.

Типы данных: double

`EnableDisambiguation` — Включите разрешение неоднозначности размерностей
`false` (значение по умолчанию) | `true`

Переключитесь, чтобы включить разрешение неоднозначности размерностей, заданных как false или true. Когда true, кластеризация может произойти через контуры, заданные входом amblims при выполнении. Используйте AmbiguousDimensions свойство задать индексы столбца X в котором могут произойти неоднозначности. Можно снять неоднозначность до двух размерностей. Включение разрешения неоднозначности не рекомендуется для больших наборов данных.

Типы данных: логический

`AmbiguousDimension` — Индексы неоднозначных размерностей
1 (значение по умолчанию) | положительное целое число | 1 2 вектор положительных целых чисел

Индексы неоднозначных размерностей, заданных как положительное целое число или 1 2 вектор положительных целых чисел. Это свойство задает столбец X в котором можно применить разрешение неоднозначности. Положительное целое число указывает на одну неоднозначную размерность в матрице входных данных X. 1 2 вектор-строка задает две неоднозначных размерности. Размер и порядок AmbiguousDimension должно быть сопоставимо с объектным входом amblims.

Пример: [3 4]

Зависимости

Чтобы включить это свойство, установите EnableDisambiguation свойство к true.

Типы данных: double

Использование

Синтаксис

idx = clusterer(X)

[idx,clusterids] = clusterer(X)

[___] = clusterer(X,amblims)

[___] = clusterer(X,update)

[___] = clusterer(X,amblims,update)

Описание

пример

idx = clusterer(X) кластеризирует точки во входных данных, Xidx содержит список идентификаторов, идентифицирующих кластер к который каждая строка X принадлежит. Шумовые точки присвоены как '–1'.

пример

[idx,clusterids] = clusterer(X) также возвращает альтернативный набор кластерных идентификаторов, clusterids, для использования в phased.RangeEstimator и phased.DopplerEstimator объекты. clusterids присваивает уникальный идентификатор каждой шумовой точке.

[___] = clusterer(X,amblims) также задает минимальные и максимальные пределы неоднозначности, amblims, применяться к данным.

Чтобы включить этот синтаксис, установите EnableDisambiguation свойство к true.

[___] = clusterer(X,update) автоматически оценочный эпсилон из матрицы входных данных, X, когда update установлен в true. Оценка использует поиск-NN k, чтобы создать набор поисковых кривых. Для получения дополнительной информации смотрите Оценочный Эпсилон. Оценкой является в среднем L новые значения Эпсилона, где L задан в EpsilonHistoryLength

Чтобы включить этот синтаксис, установите EpsilonSource свойство к 'Auto', опционально установите MaxNumPoints свойство, и также опционально набор EpsilonHistoryLength свойство.

[___] = clusterer(X,amblims,update) устанавливает пределы неоднозначности и оценивает эпсилон когда update установлен в true. Чтобы включить этот синтаксис, установите EnableDisambiguation к true и набор EpsilonSource к 'Auto'.

Входные параметры

развернуть все

`X` — Введите данные о функции
N с действительным знаком-by-P матрица

Введите данные о функции, заданные как N с действительным знаком-by-P матрица. Строки N соответствуют характерным точкам в P - размерное пространство признаков. Столбцы P содержат значения функций, по которым происходит кластеризация. Алгоритм DBSCAN может кластеризировать любой тип данных с соответствующим MinNumPoints и Epsilon настройки. Например, вход 2D столбца может содержать Декартовы координаты xy или расположиться и Доплер.

Типы данных: double

`amblims` — Пределы неоднозначности
1 2 вектор с действительным знаком (значение по умолчанию) | матрица с действительным знаком 2 на 2

Пределы неоднозначности, заданные как с действительным знаком 1 2 вектор или матрица 2 на 2 с действительным знаком. Для одной размерности неоднозначности задайте пределы как 1 2 вектор [MinAmbiguityLimitDimension1, MaxAmbiguityLimitDimension1]. Для двух размерностей неоднозначности задайте пределы как матрицу 2 на 2 [MinAmbiguityLimitDimension1, MaxAmbiguityLimitDimension1; MinAmbiguityLimitDimension2, MaxAmbiguityLimitDimension2]. Пределы неоднозначности позволяют кластеризироваться через контуры, чтобы гарантировать, что неоднозначные обнаружения соответственно кластеризируются.

Неоднозначные столбцы X заданы в AmbiguousDimension свойство. amblims задает минимальные и максимальные пределы неоднозначности в тех же модулях как данные в AmbiguousDimension столбцы X.

Пример: [0 20; -40 40]

Зависимости

Чтобы включить этот аргумент, установите EnableDisambiguation к true и набор AmbiguousDimension свойство.

Типы данных: double

`update` — Включите автоматическое обновление эпсилона
`false` (значение по умолчанию) | `true`

Включите автоматическое обновление оценки эпсилона, заданной как false или true.

Когда true, порог эпсилона сначала оценивается как среднее значение коленей k кривые поиска-NN. Оценка затем добавляется к буферу, длина которого L установлен в EpsilonHistoryLength свойство. Итоговый эпсилон, который используется, вычисляется как среднее значение L - буфер истории эпсилона длины. Если EpsilonHistoryLength установлен в 1, оценка без памяти. Без памяти означает, что каждая оценка эпсилона сразу используется, и никакое сглаживание скользящего среднего значения не происходит.
Когда false, используется предыдущая оценка эпсилона. Оценка эпсилона в вычислительном отношении интенсивна и не рекомендуемая для больших наборов данных.

Зависимости

Чтобы включить этот аргумент, установите EpsilonSource свойство к 'Auto' и задайте MaxNumPoints свойство.

Типы данных: double

Выходные аргументы

развернуть все

`idx` — Кластерные индексы
N-by-1 вектор-столбец с целочисленным знаком

Кластерные индексы, возвращенные как N с целочисленным знаком-by-1 вектор-столбец. idx представляет кластеризирующиеся результаты алгоритма DBSCAN. Положительный idx значения соответствуют кластерам, которые удовлетворяют DBSCAN кластеризирующиеся критерии. Значение '-1'указывает на шумовую точку DBSCAN.

Типы данных: double

`clusterids` — Альтернативные кластерные идентификаторы
1 N вектором-строкой с целочисленным знаком

Альтернативные кластерные идентификаторы, возвращенные как 1 N вектором-строкой из положительных целых чисел. Каждое значение является уникальным идентификатором, указывающим на гипотетический целевой кластер. Этот аргумент содержит уникальные положительные кластерные идентификаторы для всех точек включая шум. В отличие от этого idx выходной аргумент помечает шумовые точки с '–1'. Используйте clusterids как вход к объектам Phased Array System Toolbox™, таким как phased.RangeEstimator и phased.DopplerEstimator.

Типы данных: double

Функции объекта

Чтобы использовать объектную функцию, задайте Систему object™ как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:

release(obj)

развернуть все

Характерный для `clusterDBSCAN`

`clusterDBSCAN.discoverClusters`	Найдите кластерную иерархию в данных
`clusterDBSCAN.estimateEpsilon`	Оцените порог кластеризации окружения
`plot`	Постройте кластеры

Характерный для всех системных объектов

`step`	Запустите алгоритм Системного объекта
`release`	Высвободите средства и позвольте изменения в значениях свойств Системного объекта и введите характеристики
`reset`	Сбросьте внутренние состояния Системного объекта

Примеры

развернуть все

Кластерные обнаружения в области значений и Доплере

Скрипт Open Live Script

Создайте обнаружения расширенных объектов с измерениями в области значений и Доплере. Примите, что максимальная однозначная область значений составляет 20 м, и однозначный Доплеровский промежуток расширяет от $- 30$ Гц к $30$ Гц. Матрица данных содержится в dataClusterDBSCAN.mat файл. Первый столбец представляет область значений, и второй столбец представляет Доплера.

Входные данные содержат следующие расширенные цели и ложные заданные предупреждения:

однозначная цель, расположенная в $(10, 15)$
неоднозначная цель в Доплере, расположенном в $(10, - 30)$
неоднозначная цель в области значений, расположенной в $(20, 15)$
неоднозначная цель в области значений и Доплере, расположенном в $(20, 30)$
5 ложных предупреждений

Создайте clusterDBSCAN возразите и укажите, что разрешение неоднозначности не выполняется установкой EnableDisambiguation к false. Решите для кластерных индексов.

load('dataClusterDBSCAN.mat');
cluster1 = clusterDBSCAN('MinNumPoints',3,'Epsilon',2, ...
    'EnableDisambiguation',false);
idx = cluster1(x);

Используйте clusterDBSCAN plot возразите функции, чтобы отобразить кластеры.

plot(cluster1,x,idx)

График показывает, что существует восемь очевидных кластеров и шесть шумовых точек. 'Dimension 1' метка соответствует области значений и 'Dimension 2' метка соответствует Доплеру.

Затем создайте другой clusterDBSCAN объект и набор EnableDisambiguation к true указывать, что кластеризация выполняется через область значений и Доплеровские контуры неоднозначности.

cluster2 = clusterDBSCAN('MinNumPoints',3,'Epsilon',2, ...
    'EnableDisambiguation',true,'AmbiguousDimension',[1 2]);

Выполните кластеризацию с помощью пределов неоднозначности и затем постройте кластеризирующиеся результаты. DBSCAN кластеризирующиеся результаты правильно показывают четыре кластера и пять шумовых точек. Например, точки в областях значений близко к нулю кластеризируются с точками около 20 м, потому что максимальная однозначная область значений составляет 20 м.

amblims = [0 maxRange; minDoppler maxDoppler];
idx = cluster2(x,amblims);
plot(cluster2,x,idx)

Эффект эпсилона на кластеризации

Скрипт Open Live Script

Кластерные двумерные Декартовы данные о положении с помощью clusterDBSCAN. Чтобы проиллюстрировать, как выбор эпсилона влияет на кластеризацию, сравните результаты кластеризации с Epsilon установите на 1 и Epsilon установите на 3.

Создайте случайные целевые данные о положении данных в координатах xy.

x = [rand(20,2)+12; rand(20,2)+10; rand(20,2)+15];
plot(x(:,1),x(:,2),'.')

Создайте clusterDBSCAN объект с Epsilon набор свойств к 1 и MinNumPoints набор свойств к 3.

clusterer = clusterDBSCAN('Epsilon',1,'MinNumPoints',3);

Кластеризируйте данные когда Epsilon равняется тому.

idxEpsilon1 = clusterer(x);

Кластеризируйте данные снова, но с Epsilon установите на 3. Можно изменить значение Epsilon потому что это является настраиваемым.

clusterer.Epsilon = 3;
idxEpsilon2 = clusterer(x);

Постройте кластеризирующиеся результаты рядом друг с другом. Сделайте это путем передачи в указателях осей и заголовках в plot метод.

hAx1 = subplot(1,2,1);
plot(clusterer,x,idxEpsilon1, ...
    'Parent',hAx1,'Title','Epsilon = 1')
hAx2 = subplot(1,2,2);
plot(clusterer,x,idxEpsilon2, ...
    'Parent',hAx2,'Title','Epsilon = 3')

Для Epsilon установите на 1, три кластера появляются. Когда Epsilon 3, два более низких кластера объединены в один.

Алгоритмы

развернуть все

Кластеризация алгоритма

Кластеризация обзора

Этот раздел иллюстрирует основные принципы кластерного формирования. Рисунок показывает точки в двумерном пространстве признаков. Кластеры компактны и хорошо разделяются. Появляются несколько шумовых точек.

Кластеры, сформированные из одного ε-Neighborhood

Кластеры начинают с базовых точек. Первый шаг в алгоритме идентифицирует все базовые точки.
Рисунок здесь показывает точку P ₁ и его ε-neighborhood N _ε (P ₁). ε-neighborhood имеет восемь точек (включая себя) в радиусе ε. Используя MinNumPoints свойство установить порог к 8 средним значениям, что P ₁ является базовой точкой. Синие точки, которые лежат в N _ε, называются пограничными точками. Эти пограничные точки являются непосредственно плотностью, достижимой от базовой точки P ₁.
Никакие другие точки в фигуре не имеют достаточно соседних точек в своем ε-neighborhood, чтобы стать базовой точкой. P ₂ не является базовой точкой, потому что он имеет только пять точек в своем окружении. P ₂ является непосредственно плотностью, достижимой от P ₁. Реверс не верен, потому что P ₂ не является базовой точкой. Односторонняя стрелка, соединяющая две точки, показывает эту асимметрию.
Точки, которые выходят за пределы N _ε (P ₁) являются шумовыми (красными) точками и не принадлежат кластеру.
Поскольку никакие другие точки не являются базовыми точками, базовая точка и пограничные точки являются максимальным набором соединенных с плотностью точек и поэтому формируют кластер.

Кластер точек от двух ε-Neighborhoods

Следующий рисунок показывает больший набор точек, содержащий две базовых точки, P ₁ и P ₂. P ₂ является пограничной точкой P ₁, но P ₂ также имеет достаточно точек в своем собственном окружении, чтобы стать базовой точкой. Поскольку они - и базовые точки, P ₁ является непосредственно плотностью, достижимой от P ₂, и P ₁ является непосредственно плотностью, достижимой от P ₂. Двухсторонняя стрелка, соединяющая их, показывает эту симметрию.
P ₃ является непосредственно плотностью, достижимой от P ₂, но не от P ₁ (как обозначено односторонней стрелой). Однако P ₃ называется просто плотностью, достижимой от P ₁.
Поскольку никакие другие точки не являются базовыми точками, две базовых точки и их пограничные точки формируют максимальный набор соединенных с плотностью точек и формируют один кластер.

Точки накопления в смежном ε-Neighborhoods

Этот процесс роста кластера может быть расширен от базовой точки до базовой точки, пока больше нет базовых точек, чтобы добавить. Базовые точки и пограничные точки принадлежат тому же кластеру. В общем случае точка_{, Pn} является плотностью, достижимой от точки P ₁, когда существует цепь базовых точек, P ₁, P ₂, P ₃, …, _Pn-1, таким образом, что каждая базовая точка _Pi ₊₁ является непосредственно плотностью, достижимой от _Pi и _Pn, является непосредственно плотностью, достижимой от _Pn_-1.

Возможность соединения плотности

Следующая фигура иллюстрирует некоторые свойства возможности соединения плотности.

Кластер может иметь несколько переходящих цепей, например (P ₁, P ₂, P ₃, P ₄) и (P ₁, P ₂, P ₅, P ₆).
Две точки, P ₆ и P ₄, являются плотностью, соединенной, когда существует третья точка P ₂ таким образом, что P ₆ и P ₄ является плотностью, достижимой от P ₂.
Две плотности соединилась, точки являются не обязательно плотностью, достижимой друг от друга.
Максимальный набор плотности соединился, точки задают кластер. Это не имеет значения, какая базовая точка является стартовой базовой точкой.
Все точки в кластере являются плотностью, достижимой от всех базовых точек.

Оцените эпсилон

Кластеризация DBSCAN требует значения для параметра размера окружения ε. clusterDBSCAN возразите и clusterDBSCAN.estimateEpsilon функционируйте используют k - само-соседний поиск, чтобы оценить скалярный эпсилон. Позвольте D быть расстоянием любой точки P к ее k ^th самый близкий сосед. Задайте _Dk (P) - окружение как окружение, окружающее P, который содержит его k - ближайших соседей. Существует k + 1 точка в _Dk (P) - окружение включая саму точку P. Схема алгоритма оценки:

Для каждой точки найдите все точки в ее _Dk (P) - окружение
Накопите расстояния во всем _Dk (P) - окружения для всех точек в один вектор.
Сортировка вектора путем увеличения расстояния.
Постройте отсортированный k-dist график, который является отсортированным расстоянием против номера точки.
Найдите колено кривой. Значение расстояния в той точке является оценкой эпсилона.

Рисунок здесь показывает расстояние, построенное против индекса точки для k = 20. Колено происходит приблизительно в 1,5. Любые точки ниже этого порога принадлежат кластеру. Любые точки выше этого значения являются шумом.

Существует несколько методов, чтобы найти колено кривой. clusterDBSCAN и clusterDBSCAN.estimateEpsilon сначала задайте линию, соединяющую первые и последние точки кривой. Ордината точки на отсортированном k-dist график дальше всего от линии и перпендикуляра к линии задает эпсилон.

Когда вы указываете диапазон значений k, алгоритм составляет в среднем оценочные значения эпсилона для всех кривых. Этот рисунок показывает, что эпсилон довольно нечувствителен к k для k в пределах от 14 - 19.

Чтобы создать один k график расстояния-NN, установите MinNumPoints свойство, равное MaxNumPoints свойство.

Выбор минимального числа точек

Цель MinNumPoints должен сглаживать оценки плотности. Поскольку кластер является максимальным набором соединенных с плотностью точек, выберите меньшие значения, когда ожидаемое количество обнаружений в кластере неизвестно. Однако меньшие значения делают алгоритм DBSCAN более восприимчивым к шуму. Общее руководство для выбора MinNumPoints :

Обычно установите MinNumPoints = 2P, где P является количеством размерностей признаков в X.
Для наборов данных, которые имеют один или несколько следующих свойств:
- много шумовых точек
- большое количество точек, N
- большая размерность, P
- много копий
увеличение MinNumPoints может часто улучшать кластеризирующиеся результаты.

Неоднозначные данные

Кластеризирующийся алгоритм является достаточно общим, чтобы обработать неоднозначности в любой функции, но применение кластеризации, чтобы расположиться и Доплеровские неоднозначности в радаре является важными приложениями.

Неоднозначность области значений

Задержка между импульсной передачей и приемом определяет область значений, R, цели. R пропорционален задержке, t,

$R = \frac{c t}{2}$

где c является скоростью света. Время измеряется со времени передачи импульса. Если только один импульс передается, уравнение точно определяет область значений.

Часто, радар передает несколько импульсов, расположенных с интервалами с промежутками T, импульсный интервал повторения (PRI). Неоднозначности области значений происходят, когда эхо от одного импульса не получено, прежде чем следующий импульс передается. Область значений вычисляется из разницы во времени прибытия полученного импульса со времени передачи нового переданного импульса. Поэтому область значений может быть неправильной некоторым целочисленным кратным область значений unambiguous. Однозначная область значений радиолокационной системы является максимальной областью значений, в которой цель может быть расположена, чтобы гарантировать, что отраженный импульс от той цели соответствует новому переданному импульсу. PRI определяет однозначную область значений.

$R_{\max} = \frac{c T}{2}$

Область значений обнаружения меньше, чем R _макс. является однозначной областью значений. Обнаружения кластеров разрешения неоднозначности области значений, которые пересекают неоднозначные контуры области значений.

Включите разрешение неоднозначности путем установки EnableDisambiguation к true. Затем используйте AmbiguousDimension свойство выбрать столбец во входных данных, соответствующих, чтобы расположиться. Установите фактические пределы неоднозначности для области значений с помощью amblims аргумент во время выполнения.

Доплер Амбигуити

Доплер, искажающий, происходит, когда эхо прибывает от целей, которые перемещаются достаточно быстро для Доплеровской частоты, чтобы превысить импульсную частоту повторения (PRF). Если эффект Доплера больше ½ PRF или меньше чем-½ PRF, эффект Доплера искажается в область значений (–½ PRF, ½ PRF). Эта область значений называется однозначным Доплером. Включите разрешение неоднозначности путем установки EnableDisambiguation к true. Затем используйте AmbiguousDimension свойство выбрать столбец во входных данных, соответствующих Доплеру. Установите фактические пределы неоднозначности для Доплера, использующего amblims аргумент во время выполнения. Доплеровская неоднозначность подразумевает радиальную неоднозначность скорости также. Убедитесь тот amblims совпадает с интерпретацией функции.

Ссылки

[1] Эстер М., Kriegel H.-P., Сандер Дж. и Сюй X "Основанный на плотности Алгоритм для Обнаружения Кластеров в Больших Пространственных Базах данных с Шумом". Proc. 2-я Международная Конференция по Открытию Знаний и Анализу данных, Портленду, OR, Нажатию AAAI, 1996, стр 226-231.

[2] Эрих Шуберт, Йорг Сандер, Мартин Эстер, Ханс-Питер Кригель и Сяовэй Сюй. 2017. "DBSCAN, Пересмотренный, Пересмотренный: Почему и Как Необходимо (Все еще) Использовать DBSCAN". Система Базы данных Сделки ACM 42, 3, Статья 19 (июль 2017), 21 страница.

[3] Доминик Келлнер, Йенс Клаппштайн и Клаус Дитмейер, "Основанный на сетке DBSCAN для кластеризации расширенных объектов в радарных данных", 2 012 IEEE интеллектуальный симпозиум транспортных средств.

[4] Томас Вагнер, Райнхард Фегер и Андреас Штелцер, "Быстрый Основанный на сетке Алгоритм Кластеризации для Измерений Области значений/Доплера/DOA", Продолжения 13-й европейской Радарной Конференции.

[5] Mihael Ankerst, Маркус М. Бреуниг, Ханс-Питер Кригель, Йорг Сандер, "OPTICS: то, чтобы приказывать, чтобы точки идентифицировали кластеризирующуюся структуру", Proc. ACM SIGMOD ’99 международных конференций по управлению данными, Филадельфийским PA, 1999.

Документация

clusterDBSCAN

Описание

Создание

Синтаксис

Описание

Свойства

EpsilonSource — Источник эпсилона 'Property' (значение по умолчанию) | 'Auto'

Epsilon — Радиус для поиска окружения10.0 (значение по умолчанию) | положительная скалярная величина | положительный, 1 с действительным знаком P вектором-строкой

Зависимости

MinNumPoints — Минимальное число точек требуется для кластера3 (значение по умолчанию) | положительное целое число

MaxNumPoints — Установите конец k область значений поиска-NN10 (значение по умолчанию) | положительное целое число

Зависимости

EpsilonHistoryLength — Длина кластерной пороговой истории эпсилона10 (значение по умолчанию) | положительное целое число

Зависимости

EnableDisambiguation — Включите разрешение неоднозначности размерностей false (значение по умолчанию) | true

AmbiguousDimension — Индексы неоднозначных размерностей1 (значение по умолчанию) | положительное целое число | 1 2 вектор положительных целых чисел

Зависимости

Использование

Синтаксис

Описание

Входные параметры

X — Введите данные о функции N с действительным знаком-by-P матрица

amblims — Пределы неоднозначности 1 2 вектор с действительным знаком (значение по умолчанию) | матрица с действительным знаком 2 на 2

Зависимости

update — Включите автоматическое обновление эпсилона false (значение по умолчанию) | true

Зависимости

Выходные аргументы

idx — Кластерные индексы N-by-1 вектор-столбец с целочисленным знаком

clusterids — Альтернативные кластерные идентификаторы 1 N вектором-строкой с целочисленным знаком

Функции объекта

Характерный для clusterDBSCAN

Характерный для всех системных объектов

Примеры

Кластерные обнаружения в области значений и Доплере

Эффект эпсилона на кластеризации

Алгоритмы

Кластеризация алгоритма

Кластеризация обзора

Кластеры, сформированные из одного ε-Neighborhood

Кластер точек от двух ε-Neighborhoods

Точки накопления в смежном ε-Neighborhoods

Возможность соединения плотности

Оцените эпсилон

Выбор минимального числа точек

Неоднозначные данные

Неоднозначность области значений

Доплер Амбигуити

Ссылки

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Введенный в R2019b

Документация Phased Array System Toolbox

Поддержка

`EpsilonSource` — Источник эпсилона
`'Property'` (значение по умолчанию) | `'Auto'`

`Epsilon` — Радиус для поиска окружения
10.0 (значение по умолчанию) | положительная скалярная величина | положительный, 1 с действительным знаком P вектором-строкой

`MinNumPoints` — Минимальное число точек требуется для кластера
3 (значение по умолчанию) | положительное целое число

`MaxNumPoints` — Установите конец k область значений поиска-NN
10 (значение по умолчанию) | положительное целое число

`EpsilonHistoryLength` — Длина кластерной пороговой истории эпсилона
10 (значение по умолчанию) | положительное целое число

`EnableDisambiguation` — Включите разрешение неоднозначности размерностей
`false` (значение по умолчанию) | `true`

`AmbiguousDimension` — Индексы неоднозначных размерностей
1 (значение по умолчанию) | положительное целое число | 1 2 вектор положительных целых чисел

`X` — Введите данные о функции
N с действительным знаком-by-P матрица

`amblims` — Пределы неоднозначности
1 2 вектор с действительным знаком (значение по умолчанию) | матрица с действительным знаком 2 на 2

`update` — Включите автоматическое обновление эпсилона
`false` (значение по умолчанию) | `true`

`idx` — Кластерные индексы
N-by-1 вектор-столбец с целочисленным знаком

`clusterids` — Альтернативные кластерные идентификаторы
1 N вектором-строкой с целочисленным знаком

Характерный для `clusterDBSCAN`

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.