简述基于密度峰值聚类算法主要思想，以及该聚类算法中聚类中心与离群点特征

基于密度峰值聚类算法（Density-Based Spatial Clustering of Applications with Noise，简称DBSCAN）的主要思想是基于密度来寻找聚类，并将低密度区域视为离群点。该算法通过定义一个距离度量和两个参数（半径和最小密度），来确定数据点的聚类归属。具体来说，对于一个数据点，如果在以该点为圆心、以半径为阈值的圆内存在足够多的数据点，那么该点就属于一个聚类；否则，该点就被视为离群点。而聚类中心则是基于密度最大的点确定的，即在一个聚类中，密度最大的点被视为该聚类的中心。

在该算法中，聚类中心与离群点的特征如下：

1. 聚类中心：密度最大的点被视为该聚类的中心，即该点在该聚类中的密度高于其他点。

2. 离群点：低密度区域内的数据点被视为离群点，即这些点不属于任何聚类。