最短距离聚类的matlab实现.docVIP

最短距离聚类的matlab实现 说明：正文中命令部分可以直接在Matlab中运行，作者(Yangfd09)在 MATLAB R2009a(7.8.0.347)中运行通过 %最短距离聚类 %说明：此程序的优点在于每一步都是自己编写的，很少用matlab现成的指令， %所以更适合于初学者，有助于理解各种标准化方法和距离计算方法。 %程序包含了极差标准化（两种方法）、中心化、标准差标准化、总和标准化和极大值标准化等标准化方法， %以及绝对值距离、欧氏距离、明科夫斯基距离和切比雪夫距离等距离计算方法。 %==========================导入数据============================== %变量存放在data.mat中，变量名为test %数据要求：m行n列，m为要素个数，n为区域个数 load data.mat testdata=test; %============================标准化=============================== %变量初始化，m用来寻找每行的最大值，n找最小值，s记录每行数据的和 [M,N]=size(testdata);m=zeros(1,M);n=9999*ones(1,M);s=zeros(1,M);eq=zeros(1,M); %为m、n和s赋值 for i=1:M for j=1:N if testdata(i,j)=m(i) m(i)=testdata(i,j); end if testdata(i,j)=n(i) n(i)=testdata(i,j); end s(i)=s(i)+testdata(i,j); end eq(i)=s(i)/N; end %sigma0是离差平方和，sigma是标准差 sigma0=zeros(M); for i=1:M for j=1:N sigma0(i)=sigma0(i)+(testdata(i,j)-eq(i))^2; end end sigma=sqrt(sigma0/N); jicha=m-n; %极差标准化（两种方法）、中心化、标准差标准化、总和标准化和极大值标准化。 he=sum(testdata,2); testdata_jc0=zeros(M,N); testdata_jc1=zeros(M,N); testdata_zx=zeros(M,N); testdata_std=zeros(M,N); testdata_zonghe=zeros(M,N); testdata_jdzh=zeros(M,N); for i=1:M for j=1:N testdata_jc1(i,j)=(testdata(i,j)-n(i))/jicha(i); testdata_jc0(i,j)=testdata(i,j)/jicha(i); testdata_zx(i,j)=testdata(i,j)-s(i)/N; testdata_std(i,j)=(testdata(i,j)-eq(i))/sigma(i); testdata_zonghe(i,j)=testdata(i,j)./he(i); testdata_jdzh(i,j)=testdata(i,j)/m(i); end end %=================选择标准化方式，计算距离========================= test=testdata_jc1; %把此处修改为你需要的标准化方式，注意不要删掉转置符号“ ’ ” % testdata_jc1：极差标准化，分子减去最小值；testdata_jc0：极差标准化，不减最小值 % testdata_zx：中心标准化；testdata_std：标准化擦标准化； % testdata_zonghe：总和标准化；testdata_jdzh：极大值标准化。 [M,N]=size(test); a=?; d_abs=zeros(M,M);d_ou0=zeros(M,M); d_qie=zeros(M,M);d_qie0=zeros(1,N); %===如果需要计算明科夫斯基距离，把对应程序行前面的“%”删去即可 %if(1) % a=input(计算明可夫斯基距离？（Y/N）,s); % if(a==Y||a==y) % d_ming0=zeros