设有N个样本，样本为p维，
（1）计算距离矩阵D，时间复杂度为O(N*N*p)；
（2）对距离矩阵的每一行进行从小到大排序，得到SD（sorted D），时间复杂度为O(N*N*log(N));
（3）根据Eps与MinPts，标注核心点、边界点和噪声点。
首先比较SD（：，MinPts）与Eps的大小，若前者小于后者，则为核心点，反之为非核心点。
对于非核心点，检验其Eps邻域中是否包含核心点，若包含，则为边界点，否则为噪声点。
（4）对于核心点和边界点，建立连接矩阵C（connect），若两点的距离小于Eps，则对应位置为1，反之为0。
特别地，C的对角线的元素取0。
（5）关键步：根据连接矩阵C，确定哪些点为一簇（cluster）。用数学的语言来说，就是找出集合的等价类。
算法：
从C（1,1）出发，先沿着行往右走，遇到0继续向右，遇到1时，记录所在列的指标，然后开始沿着该列往下走，也是遇到0继续向下，遇到1，记录所在行的指标，然后换成沿着行往右走，直到行或者列的指标为N。
在上述的搜索过程中，设置标识变量flag，每次转换行列，将flag设为0，若移动一次，即遇到1，则flag不变，否则flag=移动一次后所在的列。若一次迭代后，flag=0，说明所有的点都已经分好簇，否则下次从C（flag,flag）处开始搜索。