密度算法

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。

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。

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。

针对传统判别算法对数据分布类型假定的局限，提出采用非参核密度算法建立多维数据的判别规则。该算法充分利用样本信息，显著提高判别精度，且不受分布假定的限制。

LDPC 的 Matlab 实现，挺适合拿来当学习资料或者项目模板的。软解码用的是SOFT_DECODER.m，硬解码是HARD_DECODER.m，都能跑出效果，代码也比较直观。变量c是你收到的码字，比如c = [1; 1; 0; 1]，配上一个H矩阵（奇偶校验矩阵），基本就能跑起来了。嗯，运行前别忘了先搞清楚H矩阵的构造方式，官方例子也挺清楚的。要是你搞通信相关的仿真，这份代码还蛮实用的，直接拿来改一改就行。另外推荐几个相关资源，像LDPC 编码解码算法 MATLAB 实现、面向闪存的 LDPC 编码与解码这些，也都挺不错的，风格相近。如果你正好在研究纠错算法，或者想了解 LDPC 的软/

在离群点检测领域，传统LOF算法在高维离散数据检测中精度较低，且参数敏感性较高。为了解决这一问题，提出了NSD算法（Neighborhood System Density Difference）。该算法基于密度差异度量的邻域系统方法，具有较高的检测精度和低参数敏感性。NSD算法的核心步骤如下： 截取距离邻域计算：首先计算数据集中对象在截取距离内的邻居点个数。 邻域系统密度计算：其次，计算对象的邻域系统密度，从而确定对象与邻域数据间的密度差异。 密度差异比较：通过比较对象密度和邻居密度，评估对象与邻域数据趋向于同一簇的程度，判断离群点的可能性。 输出离群点：最终识别出最可能是离群

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。

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/

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。

这个资源库包含了我对《基于自适应密度的无监督高光谱遥感图像聚类》论文的实现，该论文参考自2014年的《Clustering by fast search and find of density peaks》。我在MATLAB中进行了大量修改，以优化参数设置和算法框架。