模式识别大作业--模糊C均值算法实现讲述.docxVIP

模式识别大作业--C均值算法模糊C均值算法算法简述：C均值聚类算法：C-均值算法属于动态聚类算法，动态聚类算法有以下三个要点：1.选定某种距离度量作为样本间的相似性度量。2.确定某个评价聚类结果质量的准则函数。3.给定某个初始分类，然后用迭代算法找出使准则函数取极值的最好聚类结果。C均值算法的基础是误差平方和准则。若将N个样本{x1,…,xN}划分到k个类{C1,…,Ck}中，k为一正整数，目标：使得各个数据与其对应聚类中心点的误差平方和最小。设mi是这些样本的均值。设Ji为第 i类聚类的目标函数，且满足下列条件：k为聚类个数x是划分到类Ci的样本m1,…,mk是类C1,…,Ck的质心（均值向量），那么有：J是误差平方和聚类准则，它是样本集和类别集的函数。J度量了用k个聚类中心代表的k个样本子集所产生的总的误差平方。C均值聚类算法流程：1. 初始化：随机选择k个样本点，并将其视为各聚类的初始中心m1,…,mk；2. 按照最小距离法则逐个将样本x划分到以聚类中心m1,…,mk为代表的k个类C1,…,Ck中；3. 计算聚类准则函数J，重新计算k个类的聚类中心m1,…,mk；4. 重复Step 2和 3直到聚类中心m1,…,mk无改变或目标函数J不减小。模糊C均值算法：C均值算法的目的是把n个样本划分到c个类别中的一个中，使各个样本与其所在类均值的误差平方和最小。而将这种硬分类变为模糊分