聚类分析(我).docVIP

数据处理的内容： 一、数据预处理 1、数据标准化处理。2、数据光滑化处理。 二、数据分类 ----聚类分析。 三、主要影响因素的提取---- 主成分分析。 四、数据具体分析 1、回归分析。2、相关性分析。 （一）处理数据时我们通常先将数据标准化 数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。 （1）数据标准化 1.中心化变换 2.极差规格化变换 3.标准化变换(z-score) 标准化 4.对数变换 （2）、数据光滑化处理 1、移动平均法 2、指数平滑法 其中xk 为原始数据，Yk 为平滑后的数据，n为数据个数，b为平滑权数。 一系统聚类方法 1、 最短距离法 用matlab做题见 系统聚类分析法最小距离法.m 是穆老师给的ppt中的例子的求法 2、最长距离法 3、中间距离法 4、类平均法 5、可变类平均法 6、离差平方和法 7、可变方法 8、重心法 二动态聚类 动态聚类步骤为： 第一，选择若干个观测值点为“凝聚点”； 第二，可选择地，通过分配每个“凝聚点”最近的类里来形成临时分类。每一次对一个观测值点进行归类，“凝聚点”更新为这一类目前的均值； 第三，可选择地，通过分配每个“凝聚点”最近的类里来形成临时分类。所有的观测值点分配完后，这些类的“凝聚点”用临时类的均值代替。该步骤可以一直进行直到“凝聚点”的改变很小或为零时止； 第四，最终的分类有分配每一个观测到最近的“凝聚点”而形成。 三其他聚类法 两维图论聚方类 模糊聚类 0-1变量聚类 二阶段聚类 K均值聚类法分为如下几个步骤： 一、初始化聚类中心 1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。 2、用前C个样本作为初始聚类中心。 3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。 二、初始聚类 1、按就近原则将样本归入各聚类中心所代表的类中。 2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。 三、判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循环进行判断、修改直至达到算法终止条件。 clcclearticRGB= imread (test5.jpg); %读入像img=rgb2gray(RGB);[m,n]=size(img);subplot(2,2,1),imshow(img);title( 图一 原图像)subplot(2,2,2),imhist(img);title( 图二 原图像的灰度直方图)hold off;img=double(img);for i=1:200??? c1(1)=25;??? c2(1)=125;??? c3(1)=200;%选择三个初始聚类中心??? r=abs(img-c1(i));??? g=abs(img-c2(i));??? b=abs(img-c3(i));%计算各像素灰度与聚类中心的距离??? r_g=r-g;??? g_b=g-b;??? r_b=r-b;??? n_r=find(r_g=0r_b=0);%寻找最小的聚类中心??? n_g=find(r_g0g_b=0);%寻找中间的一个聚类中心??? n_b=find(g_b0r_b0);%寻找最大的聚类中心??? i=i+1;??? c1(i)=sum(img(n_r))/length(n_r);%将所有低灰度求和取平均，作为下一个低灰度中心??? c2(i)=sum(img(n_g))/length(n_g);%将所有低灰度求和取平均，作为下一个中间灰度中心??? c3(i)=sum(img(n_b))/length(n_b);%将所有低灰度求和取平均，作为下一个高灰度中心??? d1(i)=abs(c1(i)-c1(i-1));??? d2(i)=abs(c2(i)-c2(i-1));??? d3(i)=abs(c3(i)-c3(i-1));??? if d1(i)=0.001d2(i)=0.001d3(i)=0.001??????? R=c1(i);??????? G=c2(i);??????? B=c3(i);??????? k=i; ??????? break;??? endendR G Bimg=uint8(img);img(find(imgR))=0;img(find(imgRimgG))=128;img(find(imgG))=255;tocsubplot(2,2,3),imshow(img);title(