diff --git a/assets/1606228016281.png b/assets/1606228016281.png
new file mode 100644
index 0000000..65f2745
Binary files /dev/null and b/assets/1606228016281.png differ
diff --git a/assets/1606228049969.png b/assets/1606228049969.png
new file mode 100644
index 0000000..edf4578
Binary files /dev/null and b/assets/1606228049969.png differ
diff --git a/必备数学基础.md b/必备数学基础.md
index b9764c7..7519075 100644
--- a/必备数学基础.md
+++ b/必备数学基础.md
@@ -1,3 +1,5 @@
+
+
 # 必备数学基础
 
 ### 高等数学基础
@@ -1307,3 +1309,51 @@ https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/可视化网站
 - B,C: 边界点
 - N: 离群点
 
+#### DBSCAN工作流程
+
+- 参数D：输入数据集
+- 参数∈：指定半径
+- MinPts：密度阈值
+
+1. 标记所有对象为 unvisited；
+2. Do；
+3. 随机选择一个 unvisited 对象 p；
+4. 标记 p 为visited；
+5. If p 的∈-领域至少有 MinPts 个对象；
+6. ​    创建一个新簇C，并把 p 添加到C；
+7. ​    令 N 为 p 的∈-领域中的对象集合；
+8. ​    For N中每个点p
+9. ​        If p 是 unvisited；
+10. ​            标记 p 为 visited；
+11. ​            If p 的∈-领域至少有 MinPts 个对象，把这些对象添加到N；
+12. ​            如果p还不是任何簇的成员，把p添加到C；
+13. ​        End for；
+14. ​        输出C；
+15. Else 标记 p 为噪声；
+16. Until 没有标记为 unvisited 的对象；
+
+
+
+参数选择：
+
+- 半径∈，可以根据K距离开设定：找突变点
+- k距离：给定数据集P={p(i);i=0,1,...n}，计算点P(i)到集合D的子集S中所有点之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。
+- MinPts：k-距离中k的值，一般取得小一些，多次尝试
+
+优势：
+
+- 不需要指定簇个数
+- 可以发现任意形状得簇
+- 擅长找到离群点（检测任务）
+- 两个参数就够了
+
+劣势:
+
+- 高维数据有些困难（可以降维）
+- 参数难以选择（参数对结果得的影响非常大）
+- Sklearn中效率慢（数据消减策略）
+
+如下两图：
+
+![1606228016281](assets/1606228016281.png)![1606228049969](assets/1606228049969.png)
+