模式识别第2章_聚类分析v2.0.pptVIP

然后再把 划入 时对应的E值，找出一个最大的E值。 把 划为 的E值最大。 ∴ E(1)=56.6 再继续进行第二，第三次迭代… 计算出 E(2) , E(3) , … 次数 E值 1 56.6 2 79.16 3 90.90 4 102.61 5 120.11 6 137.15 7 154.10 8 176.15 9 195.26 10 213.07 11 212.01 第10次迭代 划入 时，E最大。于是分成以下两类： ∴ 每次分类后要重新计算 的值。可用以下递推公式： § 动态聚类——兼顾系统聚类和分解聚类 一、动态聚类的方法概要 ① 先选定某种距离作为样本间的相似性的度量; ② 确定评价聚类结果的准则函数; ③ 给出某种初始分类，用迭代法找出使准则函数取极值的最好的聚类结果。 选代表点 初始分类 分类合理否 最终分类 修改分类 Y N 动态聚类框图 二、代表点的选取方法：代表点就是初始分类的聚类中心数k ① 凭经验选代表点，根据问题的性质、数据分布，从直观上看来较合理的代表点k; ②将全部样本随机分成k类，计算每类重心，把这些重心作为每类的代表点; ③ 按密度大小选代表点： 以每个样本作为球心，以d为半径做球形;落在球内的样本数称为该点的密度，并按密度大小排序。首先选密度最大的作为第一个代表点，即第一个聚类中心。再考虑第二大密度点，若第二大密度点距第一代表点的距离大于d1（人为规定的正数）则把第二大密度点作为第二代表点，，否则不能作为代表点，这样按密度大小考察下去，所选代表点间的距离都大于d1。d1太小，代表点太多，d1太大，代表点太小，一般选d1＝2d。对代表点内的密度一般要求大于T。T0为规定的一个正数。 ④ 用前k个样本点作为代表点。 三、初始分类和调整 ① 选一批代表点后，代表点就是聚类中心，计算其它样本到聚类中心的距离，把所有样本归于最近的聚类中心点，形成初始分类，再重新计算各聚类中心，称为成批处理法。 ② 选一批代表点后,依次计算其它样本的归类，当计算完第一个样本时，把它归于最近的一类，形成新的分类。再计算新的聚类中心，再计算第二个样本到新的聚类中心的距离，对第二个样本归类。即每个样本的归类都改变一次聚类中心。此法称为逐个处理法。 ③ 直接用样本进行初始分类，先规定距离d,把第一个样品作为第一类的聚类中心，考察第二个样本，若第二个样本距第一个聚类中心距离小于d，就把第二个样本归于第一类，否则第二个样本就成为第二类的聚类中心，再考虑其它样本，根据样本到聚类中心距离大于还是小于d，决定分裂还是合并。 最佳初始分类。 如图所示，随着初始分类k的增大，准则函数下降很快，经过拐点A后，下降速度减慢。拐点A就是最佳初始分类。 四、C－平均算法 例：已知有20个样本，每个样本有2个特征，数据分布