本週主要看了DBSCAN、spectral clustering及adaptive neighbor相關的論文，看的比較散，沒有目的性，以後主要從基於DTW的矩陣相似性判斷、適應性鄰居和傳遞限制時添加概率三個方面進行針對性學習。
論文1：RNN-DBSCAN:A Density-Based Clustering algorithm using reverse nearest neignbor density estimates
與傳統的DBSCAN不同，RNN-DBSCAN只需要一個參數k，且結合KNN和RNN來求某個點的鄰居。此外，RNN-DBSCAN在遍歷並標記完所有的點之後，對標記爲-1（即噪點，若某個點RNN的個數小於k，則爲噪點）的點做一次ExpandClusters()。
論文2：Indexing and classifying gigabytes of time series under time warping
本文基於衛星圖提取龐大的時間序列數據，爲解決此類大規模高維數據問題，提高分類速度，提出了TSI算法，主要結合了基於下限的DTW的層次k-means聚類：1、build tree：在根節點對所有數據集進行k-means操作，生成C，對於C中所有Ci類的數據分別遞歸做上一步同樣的操作，當結點裏的數據個數<k，停止遞歸。2、search tree：設置三個隊列dtw_PQ,lb_PQ和nn_PQ,查詢的時間序列個數不能超過L。
論文3：A Novel Approximation to Dynamic Time Warping allows Anytime Clustering of Massive Time Series Datasets
本文提出了近似DTW的方法，給出上限和下限，上限由歐氏距離求得，下限由LB_keigh求得，近似DTW結合上限和下限求得。在評價階段分別應用到hierarchical clustering、k-medoids clustering及spectral clustering觀察其效果。（參考了其他論文了解一下這三種聚類）
論文4：Septral Embedded Adaptive Neigbors Clustering
本文只有7頁，從頭到尾都是公式，介紹的非常簡潔，並沒有看懂是怎麼運用adaptive neighbor到septral clustering，打算配合Clustering and projected clustering with adptive neighbors這篇論文去看。