模式识别 第二章 聚类分析.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 矩阵对角线元素之和为矩阵的迹. * 矩阵对角线元素之和为矩阵的迹. * 矩阵对角线元素之和为矩阵的迹. 参考程序swst * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * (5)①结束判决：Ip ≧ I N (4)计算分类后的参数：①类心 zj ; ②类内平均距离dj;③总类内平均距离d N (5)④ Ip为偶数 N (5)②按类个数分裂判决：Nc≦c/2 N (5)③分裂判决：Nc≧2*c N Y Y Y ?D = 0 Y 转(9) * N (5)④ Ip为偶数 N Y 转(9) ⑻ (?jmax?s)? {[(djd)?(nj2(?n+1))]?[Nc≦c/2]} (6)计算各类类内距离的标准差矢量 (7)找出最大分量 (10)合并处理 (11)结束判决：Ip ≧ I (9)计算各类对类间距离 N End Y Nc = Nc + 1 Ip = Ip + 1 (8)分裂处理 Y N Y 转修改参数 修改 参数否 转重新聚类 N * Start 输入样本数据，置c; Nc ; 选初始类心zj ，j=1,2,..Nc (1)置控制参数：?n , ?s , ?D, ? , L , I (2)聚类：if dil = min{D(xi, z1), D(xi, z2),…, D(xi, zNc)} then xi??l (3)合并判决： nj ?n N Y Nc = Nc - 1 (4)计算分类后的参数：①类心 zj ; ②类内平均距离dj;③总类内平均距离d 修改参数入口 重新聚类 入口 * 作业 P45: 2.9, 2.10 * * * * * * * * * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * From Sergios Theodoridis K. Koutroumbas, Pattern Recognition, Academic press, 1999 pp352 Figure 11.1 * * * * * * * * * * * * * * clustering 2·4 聚类的算法 2.4.3 动态聚类法——C-均值法程序 * 作业 P45: 2.7, 2.8 * 2·4 聚类的算法 2.4.3 动态聚类法——C-均值法 关于C-均值法收敛性的分析 * 2·4 聚类的算法 2.4.3 动态聚类法——C-均值法 当模式分布呈现类内团聚状，C-均值算法是能达到很好的聚类结果，故应用较多。从算法的迭代过程看，C-均值算法是能使各模式到其所判属的类别中心距离(平方)之和为最小的最佳聚类。 * 2·4 聚类的算法 2.4.3 动态聚类法——C-均值法的改进 在类别数未知的情况下，可使类数C由较小值逐步增加，对于每个选定的C分别使用该算法。显然准则函数J是随C的增加而单调减少。 ⑴ C的调整 作一条C一J曲线，其曲率变化的最大点对应的类数是比较接近最优的类数。 在增加过程中，总会出现使本来较