《模式识别-黄庆明》第二章（ISODATA算法）.docVIP

算法： 第一步：输入N个模式样本 xi, i 1, 2, …, N 预选Nc个初始聚类中心，它可以不等于所要求的聚类中心的数目，其初始位置可以从样本中任意选取。 预选：K 预期的聚类中心数目； θN 每一聚类域中最少的样本数目，若少于此数即不作为一个独立的聚类； θS 一个聚类域中样本距离分布的标准差； θc 两个聚类中心间的最小距离，若小于此数，两个聚类需进行合并； L 在一次迭代运算中可以合并的聚类中心的最多对数； I 迭代运算的次数。 第二步：将N个模式样本分给最近的聚类Sj，假若，即||x-zj||的距离最小，则。 第三步：如果Sj中的样本数目Sj θN，则取消该样本子集，此时Nc减去1。 （以上各步对应基本步骤（1）） 第四步：修正各聚类中心 第五步：计算各聚类域Sj中模式样本与各聚类中心间的平均距离 第六步：计算全部模式样本和其对应聚类中心的总平均距离 （以上各步对应基本步骤（2）） 第七步：判别分裂、合并及迭代运算 若迭代运算次数已达到I次，即最后一次迭代，则置θc 0，转至第十一步。 若，即聚类中心的数目小于或等于规定值的一半，则转至第八步，对已有聚类进行分裂处理。 若迭代运算的次数是偶数次，或，不进行分裂处理，转至第十一步；否则（即既不是偶数次迭代，又不满足），转至第八步，进行分裂处理。 （以上对应基本步骤（3）） 第八步：计算每个聚类中样本距离的标准差向量 其中向量的各个分量为 式中，i 1, 2, …, n为样本特征向量的维数，j 1, 2, …, Nc为聚类数，Nj为Sj中的样本个数。 第九步：求每一标准差向量 σj, j 1, 2, …, Nc 中的最大分量，以 σjmax, j 1, 2, …, Nc 代表。 第十步：在任一最大分量集 σjmax, j 1, 2, …, Nc 中，若有σjmax θS ，同时又满足如下两个条件之一： 和Nj 2 θN + 1 ，即Sj中样本总数超过规定值一倍以上， 则将zj 分裂为两个新的聚类中心和，且Nc加1。 中对应于σjmax的分量加上kσjmax，其中；中对应于σjmax的分量减去kσjmax。 如果本步骤完成了分裂运算，则转至第二步，否则继续。 （以上对应基本步骤（4）进行分裂处理） 第十一步：计算全部聚类中心的距离 Dij || zi - zj ||，i 1, 2, …, Nc-1 ，j i+1, …, Nc。 第十二步：比较Dij 与θc 的值，将Dij θc 的值按最小距离次序递增排列，即 式中，。 第十三步：将距离为的两个聚类中心和合并，得新的中心为： ，k 1, 2, …, L 式中，被合并的两个聚类中心向量分别以其聚类域内的样本数加权，使为真正的平均向量。 （以上对应基本步骤（5）进行合并处理） 第十四步：如果是最后一次迭代运算（即第I次），则算法结束；否则，若需要操作者改变输入参数，转至第一步；若输入参数不变，转至第二步。 在本步运算中，迭代运算的次数每次应加1。 [算法结束]