模式分类上机实验报告.docxVIP

模式分类上机实验报告11. K-Means聚类的实现聚类的实质就是把给定的一组数据按照规定的k点，判断最近逻辑距离，然后进行分类。首先给出原始数据（这次试验找那个调用所提供的k-means数据），然后要初始化k个随机数据向量U1,U2…Uk进行聚类。按照K-Means聚类思路，确定了k个随机数据以后用公式算出其他的每一个数据与这些k个数据的逻辑距离，然后拿最近的数据放入对应的类中。公式1如下：然后需要求出所有的数据与这些初始化数据（k点）距离的均值，不停地迭代，直到所有的u再也不变。这个均值迭代的公式如下：按照上面的思路可以实现大量数据的K-Means分类！具体的matlab代码如下所示：1. Main.m用于调用数据源及K-Means函数。Load:K-Means；%加载数据plot3(data1(:,1),data1(:,2),data1(:,3),+);%显示原始的数据holdon;plot3(data2(:,1),data2(:,2),data2(:,3),r+);plot3(data3(:,1),data3(:,2),data3(:,3),g+);gridon;%把所有的数据合成一个不带标号的数据类data=[data1;data2;data3];%这里的data是不带标号的%k-means聚类（调用K-Means函数）[ure]=KMeans(data,3);%最后产生带标号的数据，标号在所有数据的最后，意思就是数据再加一维度，分3个类[mn]=size(re);%最后显示聚类后的数据figure;holdon;fori=1:mifre(i,4)==1plot3(re(i,1),re(i,2),re(i,3),ro);elseifre(i,4)==2plot3(re(i,1),re(i,2),re(i,3),go);elseplot3(re(i,1),re(i,2),re(i,3),bo);endendgridon;2. KMeans.m实现聚类函数部分%N是数据一共分多少类%data是输入的不带分类标号的数据%u是每一类的中心%re是返回的带分类标号的数据function[ure]=KMeans(data,N)[mn]=size(data);%m是数据个数，n是数据维数ma=zeros(n);%每一维最大的数mi=zeros(n);%每一维最小的数u=zeros(N,n);%随机初始化，最终迭代到每一类的中心位置fori=1:nma(i)=max(data(:,i));%每一维最大的数mi(i)=min(data(:,i));%每一维最小的数forj=1:Nu(j,i)=ma(i)+(mi(i)-ma(i))*rand();%随机初始化，不过还是在每一维[minmax]中初始化好些endendwhile1pre_u=u;%上一次求得的中心位置fori=1:Ntmp{i}=[];%公式一中的x(i)-uj,为公式一实现做准备forj=1:mtmp{i}=[tmp{i};data(j,:)-u(i,:)];endendquan=zeros(m,N);fori=1:m%公式一的实现c=[];forj=1:Nc=[cnorm(tmp{j}(i,:))];end[junkindex]=min(c);quan(i,index)=norm(tmp{index}(i,:));endfori=1:N%公式二的实现forj=1:nu(i,j)=sum(quan(:,i).*data(:,j))/sum(quan(:,i));endendifnorm(pre_u-u)0.1%不断迭代直到位置不再变化break;endendre=[];fori=1:mtmp=[];forj=1:Ntmp=[tmpnorm(data(i,:)-u(j,:))];end[junkindex]=min(tmp);re=[re;data(i,:)index];endend3. 运行结果如下图所示：