模式识别作业一.docxVIP

模式识别 作业11第一循环，建立代码%采用欧式距离的平方x{1}=[0 1 3 1 3 4]; x{2}=[3 3 3 1 2 1]; x{3}=[1 0 0 0 1 1]; x{4}=[2 1 0 2 2 1]; x{5}=[0 0 1 0 1 0];d=zeros(5); %记录距离for i=1:4 for j=i+1:5 d(j,i)=sum((x{i}-x{j}).^2);%计算距离 endend得到：d = 00 0 0 0 23 0 0 0 0 25 24 00 0 24 15 7 00 26 25 3 12 0 3最小，可知 x6={x3,x5}成为新的一类第二循环：添加代码d=d’;%计算新的距离b=zeros(6); b(1,2)=d(1,2); b(1,4)=d(1,4); b(1,6)=min(d(1,3),d(1,5));b(2,4)=d(2,4); b(2,6)=min(d(2,3),d(2,5)); b(4,6)=min(d(3,4),d(4,5));b=b’;得到b= 0 0 0 0 0 0 23 00 0 0 0 0 0 0 0 0 0 24 15 00 0 0 0 0 0 0 0 025 24 0 7 007最小，可得新类x7={x4,x6}={x3,x4,x5}所以，最终分为三类：{x1}；{x2}；{x3,x4,x5}2（一）成批法代码函数avg%计算新的聚类中心，即均值function s=avg(a,x) %a为该类的样本在总样本中的位置记录，x为总样本n=length(a); c=0;d=0;for i=1:n c=c+x{a(i)}(1); d=d+x{a(i)}(2);ends(1)=c/n; s(2)=d/n;endx=cell(1,10);x{1}=[0 0]; x{6}=[5 4];x{2}=[1 1]; x{7}=[6 5];x{3}=[2 1]; x{8}=[1 4];x{4}=[4 3]; x{9}=[1 5];x{5}=[5 3]; x{10}=[1 6];%成批法%初始聚类中心x1=x{1}; x2=x{2}; x3=x{3};h=0;while 1a=zeros(1);m=1;%存储3个类b=zeros(1);n=1;c=zeros(1);p=1;for i=1:10 d=sum((x{i}-x1).^2);%计算距离 e=sum((x{i}-x2).^2); f=sum((x{i}-x3).^2); if d=ed=f a(m)=i;m=m+1; elseif ede=f b(n)=i;n=n+1;else c(p)=i;p=p+1;end end%计算新聚类中心y1=avg(a,x);y2=avg(b,x); y3=avg(c,x);f=[x1==y1 x2==y2 x3==y3];if isempty(find(f==0)) break; %聚类中心不变else%否则更新聚类中心 x1=y1; x2=y2; x3=y3; h=h+1 %迭代次数endend 计算结果可知总共迭代2次；分为a，b，c三类。更换初始聚类中心：得到的分类结果都为：可推测这种分类结果较好。附：分布图for i=1:10 plot(x{i}(1),x{i}(2),r*);end（二）逐个法，差别不大%逐个法x1=x{1};%初始聚类中心x2=x{2};x3=x{3};h=0;a=zeros(1);m=1;%存储3个类b=zeros(1);n=1;c=zeros(1);p=1;for i=1:10 d=sum((x{i}-x1).^2);%距离 e=sum((x{i}-x2).^2); f=sum((x{i}-x3).^2); if d=ed=f a(m)=i;m=m+1; x1=avg(a,x); %时时更新聚类中心 elseif ede=f b(n)=i;n=n+1; x2=avg(b,x); %时时更新聚类中心 else c(p)=i;p=p+1; x3=avg(c,x); %时时更新聚类中心 endend计算结果 改变初始聚类中心（1）得到（2）得到可看出聚类效果不如成批法。