- 1、本文档共4页,可阅读全部内容。
- 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、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、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、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 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、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、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)