这个DBSCAN案例实现得挺有意思。咱们直接上代码，边看边聊。首先得准备点测试数据，用三维正态分布随机数生成三个簇

DBSCAN聚类(Density-Based Spatial Clustering of Application with Noise) 设定距离阈值、最小相邻观测数进行聚类，得到每个数据的聚类结果，无聚类中心 案例提供了非常详细的备注，智能化出2维3维聚类图，自动根据聚类结果添加相应多种类的颜色 Matlab代码，备注详细，替换自己数据即可 温馨提示：联系请考虑是否需要，（Example_61）

% 生成三簇三维数据（可替换为自己的数据矩阵） mu = [1 2 3; 4 5 6; 7 8 9]; % 各维度均值 sigma = cat(3,[1 1 1],[0.5 0.5 0.5],[2 2 2]); % 协方差矩阵 data = [mvnrnd(mu(1,:),sigma(:,:,1),200); mvnrnd(mu(2,:),sigma(:,:,2),150); mvnrnd(mu(3,:),sigma(:,:,3),100)];

生成的点云在空间里呈现不同密度分布，第三簇故意把协方差调大，让数据更分散。接下来是核心的DBSCAN函数：

function [IDX, isNoise] = DBSCAN(data, epsilon, minPts) [m,n] = size(data); visited = false(m,1); IDX = zeros(m,1); cluster = 1; for i = 1:m if ~visited(i) visited(i) = true; neighbors = regionQuery(data,i,epsilon); if numel(neighbors) < minPts IDX(i) = -1; % 标记为噪声 isNoise(i) = true; else expandCluster(i,neighbors,cluster,epsilon,minPts); cluster = cluster + 1; end end end % 子函数处理区域查询 function neighbors = regionQuery(~,pointIdx,eps) distances = sqrt(sum((data - data(pointIdx,:)).^2,2)); neighbors = find(distances <= eps); end end

这个实现有几个亮点：1）用regionQuery子函数封装距离计算，方便维护；2）通过visited数组避免重复访问；3）噪声点直接标记为-1。不过要注意，原数据量大的时候计算欧氏距离可能会慢，可以考虑预先计算距离矩阵。

可视化部分做得挺智能，自动判断维度生成对应图形：

% 动态生成颜色映射（支持任意数量簇） colors = hsv(max(IDX)); colors = [colors; 0.7 0.7 0.7]; % 噪声点用灰色 if size(data,2) == 2 scatter(data(:,1), data(:,2), 36, colors(IDX,:), 'filled'); else scatter3(data(:,1),data(:,2),data(:,3), 40, colors(IDX,:), 'filled'); end

这里用hsv色相环自动生成鲜艳颜色，再用灰度表示噪声。三维可视化用scatter3直接处理，颜色映射逻辑和二维保持一致。试跑结果可以看到三个主簇和边缘的噪声点，第三簇因为初始设置协方差较大，边界区域有些点可能被识别为噪声。

实际使用时替换数据矩阵就行，建议先做标准化处理：

data = zscore(your_data); % 消除量纲影响 epsilon = 0.5; % 根据数据分布调整 minPts = 10; % 密度阈值

遇到过参数调优的问题？可以试试这个技巧：画出k-距离曲线（取第minPts近邻的距离排序），拐点位置通常是比较合适的epsilon值。这个案例没实现但值得补充，能帮助新手快速确定参数范围。

最后输出结果中，簇标签从1开始连续编号，-1表示噪声。处理高维数据时虽然只能显示三维投影，但聚类标签本身保留着完整信息，可以导出做进一步分析。