基于快速查找和密度峰值的峰值密度聚类matlab代码

提供一种基于密度峰值快速搜索，用于发现聚类中心的聚类算法 MATLAB 源代码。

该代码是基于 Rodriguez A, Laio A 发表在 Science 上的论文中提出的密度聚类算法实现。

带 GUI 界面的密度峰值聚类算法，运行直接上手。核心思路挺直观：先找出那些既孤独又热闹的数据点当作“类中心”，其他点就看谁密度高就跟谁走。用的是 Python 配合wxPython做图形界面，窗口那块比较友好，点点按钮就能跑结果，调试方便。 项目里自带了数据集，格式也好了，省了一大步。整体结构清晰，主要算法代码集中在几个函数里，看一眼逻辑就懂。GUI 部分用的wx.Panel、wx.Button这些控件，熟悉一点 wxPython 的话，快能上手二次开发。 如果你平时用 Python 做聚类，或者正想搭个可视化工具看看聚类效果，这套代码还蛮合适的。运行简单，改造空间也大。适合拿来当教学演示，

该项目包含使用Matlab实现的基于局部密度峰值的最小生成树(MST)聚类算法(LDP-MST)代码。 文件说明: LDPMST_OPT.m: 实现LDP-MST算法(对应论文中的算法3)。 LDP_Searching.m: 包含算法1和算法2的实现。 LMSTCLU_OPT.m: 基于MST的聚类算法对局部簇进行聚类，并计算密度峰值。 drawcluster2: 用于可视化聚类结果。 综合数据集pacake: 包含实验中使用的综合数据集。

最近在学习密度峰聚类算法，对/DensityPeakCluster的Python代码进行了改进，并打算基于此算法撰写论文。在GitHub上发现了这个项目，下载后加入了中文注释以便今后查阅。我从Alex Rodriguez和Alessandro Laio的论文《Clustering by fast search and find of density peaks》中学习并修复了原始DensityPeakCluster代码中的Bug。

该算法将网格原理应用于基于密度树的聚类算法，提高效率，降低I/O开销。

密度和网格结合的聚类思路，挺适合大数据集的。先把数据集网格化，根据单位格子的密度和到高密度区的距离，挑出聚类中心。逻辑不复杂，思路也清晰，和传统的DBSCAN、密度峰值聚类有点像，但运行速度快不少，尤其大数据量下挺有优势。 网格化数据集空间，避免一上来就全局点对点计算，性能提升还挺。你可以理解为先粗筛一遍，把低密度区直接忽略，只关注那些比较“热闹”的网格。 确定簇心时，算法考虑两个指标：一个是密度高不高，一个是离其它高密度区远不远。这样选出来的点，不容易被噪声干扰，聚类效果还不错。 密度划分的时候，也挺简单暴力。直接根据网格密度关系，把剩下的点归到最近的簇心里。整体聚类过程短，响应也快。执行时

这篇论文的MATLAB代码是关于“密度峰值引导的非对称多标签相关性”的。该代码提供了对应论文的实现。

请引用：Emre Güngör，Ahmet Özmen，使用高斯核的基于距离和密度的聚类算法，发表于《Expert Systems with Applications》第69卷，2017年，第10-20页，ISSN 0957-4174。详细信息请参阅原始文章链接：https://doi.org/10.1016/j.eswa.2016.10.022 （http://www.sciencedirect.com/science/article/pii/S095741630553X）。对于聚类数据集和/或形状集，您可以查看：https://cs.joensuu.fi/sipu/datasets/