a02 聚类分析 模式识别课程 国防科大.ppt

模式识别 特征选取不同对聚类结果的影响 特征选取不同对聚类结果的影响 距离测度不同,聚类结果也不同 综上可见: 例2.2.2 可以看出，它等于共同具有的特征数目与分别具有的特征种类总数之比。这里只考虑(1-1)匹配而不考虑(0-0)匹配。 6、若合并的类数没有达到要求，转3。否则停止。 3、求最小元素： 4、ω8,ω5,ω2合并, ω9=（2,5,4,6） 例2.4.3：已知有20个样本，每个样本有2个特征，数据分布如下图,使用C－均值法实现样本分类（C=2）。 第三步：更新聚类中心 第四步： 第二步： 第三步：更新聚类中心 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 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 (3)合并判决： nj ?n Y Nc = Nc - 1 (2)聚类：if dil = min{D(xi, z1), D(xi, z2),…, D(xi, zNc)} then xi??l 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 ISODATA流程: (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