1模式识别原理课件-第1、2章绪论聚类.pptVIP

当m=2时，明氏距离为欧氏距离。 n维模式样本向量Xi、Xj间的明氏距离表示为 ： 式中， xik、xjk分别表示Xi和Xj的第k个分量。 街坊 欧氏 3. 明氏距离( Minkowaki ) 当m=1时： 称为“街坊”距离 (“City block”distance)。 当k=2时：图示 4．汉明(Hamming)距离 设Xi、Xj 为n维二值（1或－1）模式样本向量，则 两个模式向量的各分量取值均不同：Dh(Xi, Xj)=n； 全相同： Dh(Xi, Xj)=0 式中， xik、xjk分别表示Xi和Xj的第k个分量。 汉明距离： 5．角度相似性函数 是模式向量Xi，Xj之间夹角的余弦。 6．Tanimoto测度 用于0，1二值特征的情况， 相似性测度函数的共同点都涉及到把两个相比较的向量Xi，Xj的分量值组合起来，但怎样组合并无普遍有效的方法，对具体的模式分类，需视情况作适当选择。 聚类准则：根据相似性测度确定的，衡量模式之间是否相似的标 准。即把不同模式聚为一类还是归为不同类的准则。 确定聚类准则的两种方式： 1. 阈值准则：根据规定的距离阈值进行分类的准则。 2. 函数准则：利用聚类准则函数进行分类的准则。