图聚类方法

δ-开放集的聚类思路还蛮有意思的，尤其适合那种形状不规则、数据分布不太平均的复杂数据集。你只要输入一个δ值，它就能帮你把数据切得细致，还能自动识别噪声点，挺智能的。 不光能高维数据，在 Olivetti 人脸数据库上的表现也不错。比起那些只能球形簇的传统方法，比如 K-means，它更像是“拓扑流派”的聚类方式，玩法不一样。 哦对了，它还有个升级版，能搞定那种密度差别大的数据集。如果你平时喜欢玩模式识别、数据挖掘、聚类这一类的算法实验，可以试试它，是在人脸、图像、或者非结构化数据时。 有需要的话，下面这些资源你也可以顺手看看，有代码也有讲义，挺全的： 聚类工具-MATLAB 模式识别应用

基于密度的聚类方法的思路挺巧妙，不靠你事先指定簇的个数，而是看哪里数据密集就往哪儿凑。像DBSCAN、OPTICS、DENCLUE这些算法，都能搞定各种不规则的簇形，噪声点也还不错。 DBSCAN的逻辑蛮：找邻居、看密度，够密就拉进来一起玩，太稀就当噪声。适合用来图片区域、地理坐标、甚至是社交网络的社群划分。 OPTICS就比 DBSCAN 细腻点，在数据密度变化大的时候挺实用，排序之后你再来观察哪里是簇，挺有意思的。 DENCLUE是基于数学密度函数来的，思路有点偏学术，但优势是对复杂数据形态的捕捉更强，适合你那种非均匀分布的数据。 资源方面我翻了下，有不少现成的实现，Matlab、Pyth

利用聚类算法识别图像分割的阈值，并使用 MATLAB 进行图像分割。

针对当前主流数据库审计系统存在的审计信息冗余、不灵活的审计配置方式以及数据统计分析能力不足等问题，我们提出了一种创新的数据库安全审计系统。该系统可以有效约简审计信息，支持灵活的审计配置，并能够有效检测潜在的数据库攻击，为数据库安全防护提供实用的解决方案。

改进版的DBSCAN 聚类算法用在煤矿瓦斯数据上，挺有意思的一个尝试。传统传感器系统不是精度不够，就是压根坏着，这时候靠聚类把异常找出来，反而更靠谱。多矿井的监测系统不是闲置就是不达标，那不如用算法弥补硬件短板。DBSCAN不挑数据分布，对噪声还挺友好，拿来瓦斯监测数据挺合适的。监控系统的覆盖率不高，有效数据不多，但又不能没预警，这时候用改进 DBSCAN做聚类能把“异常点”挑出来，比如瓦斯浓度突变的区域。比起人工巡查靠谱多了，尤其在老旧矿井里。代码实现方面其实不复杂，如果你熟点Python、Scikit-learn那一套，基本直接上。关键是要对你的传感器数据做点预，比如去掉无效数据、做下归一

Vague 集的相似度量方法，挺适合搞不确定数据的朋友。作者张文彬和余建坤在这篇 2008 年的老论文里，用了不少数学工具把 Vague 集用在模糊聚类上，关键点就是一个字：稳！对你来说，如果平时要模糊、难分的数据，比如用户行为、图像识别啥的，这个方法还挺有意思的，尤其是 Vague 集那套距离计算，思路清晰，公式也不复杂。蛮适合做二次开发或模型优化参考的。

Matlab应用：利用k-均值聚类、模糊c-均值聚类和SOM神经网络对智能卡车进行色彩还原和量化分析。

聚类的评价标准，说实话是搞无监督学习绕不开的一关。你用了KMeans，结果和别人不一样？嗯，这就是评估手段不到位的问题了。文章里讲得挺细，什么不同算法、不同初始参数都能让结果变样，确实挺真实。还有个重点：哪怕是同一个模型，只要初始条件一变，聚出来的类别也完全不是一回事。这种情况在实战里经常碰到，尤其做用户画像那种，一不注意就偏了。

这段MATLAB代码实现了对彩色图像分割中几种聚类方法的比较测试，包括基于斜率差分布的聚类、Otsu聚类、最大期望聚类、模糊C均值聚类和K均值聚类。

如果您使用我们的代码，请务必引用我们的论文《一种新的基于傅立叶功率谱的DNA序列聚类方法》！论文链接：http://dx.doi.org/10.1016/j.jtbi.2015.026