模式识别K均值聚类简单实现.docVIP

  1. 1、本文档共4页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
模式识别K均值聚类简单实现

实验三 K均值算法 实验目的: 对有一个初步的理解,能够根据自己的设计对算法有一个深刻地认识; 理解。实验条件PC微机一台和MATLAB软件。 实验原理给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中。 是d维特征向量,j = 1,2,…,n ;已知类别数K和初始聚类中心的距离;相似性测度可以采用欧氏距离;聚类准则采用误差平方和准则,其准则函数为 是第i类的聚类中心。 步骤如下: 初始化:给定类别数K,初始化聚类中心 第次迭代的修正:逐个将样本按照最小距离原则分配给K个聚类中心的某一个。 若,则 是聚类中心为的样本集。 计算新的聚类中心: 其中为第一个聚类所包含的样本个数。 用均值向量作为新的聚类中心,可使准则函数最小。 若令 转(2);将样本逐个重新分类,重复迭代计算。 若算法收敛,计算完毕。 实验内容: 用MATLAB得出30个随机二维向量 通过K均值算法kmeans对30个随机二维向量进行分类 实验程序及结果: clc; clear; x1=1.2*randn(10,1)+3 y1=1.1*randn(10,1)+3 a=[x1,y1]; x2=1.2*randn(10,1)+6 y2=1.1*randn(10,1)+6 b=[x2,y2]; x3=1.2*randn(10,1)+9 y3=1.1*randn(10,1)+9 c=[x3,y3] figure(1);plot(x1,y1,k.,x2,y2,k.,x3,y3,k.);%用黑点画出30个随机点; X=[a;b;c] [idx,c]=kmeans(X, 3)%kmeans进行分类 figure(2);plot(X(idx==1,1),X(idx==1,2),r.)%用红点画出第一类 hold on plot(X(idx==2,1),X(idx==2,2),b.)%用蓝点画出第二类 hold on plot(X(idx==3,1),X(idx==3,2),g.)%用绿点画出第三类 效果图: 实验总结: 通过本次实验我进一步熟悉了K均值算法的相关知识。此外还在一定程度上锻炼了我的编程能力及对matlab的使用。

文档评论(0)

haihang2017 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档