K_means算法实现matlab.docVIP

K_means算法的C语言算法实现 算法思想 K-means算法是一种动态聚类方法，这种方法先选择若干样本作为聚类的中心，在按某种聚类准则（通常采用最小距离原则）使各种样本向各个中心积聚，从而得到初始的分类，然后，判断分类的合理性，如果不合理，就修改分类，如此反复的修改聚类的迭代运算，直到合理为止。 2. 算法步骤 （1）适当选择c个类的初始中心； （2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类， （3）利用均值等方法更新该类的中心值； （4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。 samp=[11.1506 6.7222 2.3139 5.9018 11.0827 5.7459 13.2174 13.8243 4.8005 0.9370 12.3576]; %样本集 [l0 l]=size(samp); %利用均值把样本分为两类，再将每类的均值作为聚类中心 th0=mean(samp); n1=0;n2=0; c1=0.0; c1=double(c1); c2=c1; for i=1:l if samp(i)th0 c1=c1+samp(i);n1=n1+1; else c2=c2+samp(i);n2=n2+1; end end c1=c1/n1;c2=c2/n2; %初始聚类中心 t=0; cl1=c1;cl2=c2; c11=c1;c22=c2; %聚类中心 while t==0 samp1=zeros(1,l); samp2=samp1; n1=1;n2=1; for i=1:l if abs(samp(i)-c11)abs(samp(i)-c22) samp1(n1)=samp(i); cl1=cl1+samp(i);n1=n1+1; c11=cl1/n1; else samp2(n2)=samp(i); cl2=cl2+samp(i);n2=n2+1; c22=cl2/n2; end end if c11==c1 c22==c2 t=1; end cl1=c11;cl2=c22; c1=c11;c2=c22; end %samp1,samp2为聚类的结果。 2）二维样本分类 %文件名为Main.m clear all; close all; Data=[0 0 1 1 1 2 2 3 6 6 7 7 7 8 8 8 8 9 9 9 0 1 0 1 2 1 2 2 6 7 6 7 8 6 7 8 9 7 8 9;]; [DataRow,DataColumn]=size(Data); Step=10; NumKind=2; Center=Data(:,1:NumKind); [KindData,KindNum]=Clustering(Center,Data); NewCenter=CaculateCenter(KindData,KindNum,DataRow); while (sum(sum(NewCenter~=Center))) Step Center=NewCenter; [KindData,KindNum]=Clustering(Center,Data); NewCenter=CaculateCenter(KindData,KindNum,DataRow); Step=Step-1; end for i=1:NumKind KindData(:,1:KindNum(i),i) end if DataRow~=2 disp(The result can not display on the two-dimensional figure ) else XMin=min(Data(1,:)); YMin=min(Data(2,:)); YMax=max(Data(2,:)); XMax=max(Data(1,:)); KindDisplay(KindData,KindNum,XMin,XMax,YMin,YMax) End 文件名为CaculateCenter.m function NewCenter=Cac