谱聚类-M与ATLAB .ppt

谱聚类-MATLAB实现 算法 1) 构建表示对象集的相似度矩阵W； 2) 通过计算相似度矩阵或拉普拉斯矩阵的前k个特征值与特征向量，构建特征向量空间； 3) 利用K-means或其它经典聚类算法对特征向量空间中的特征向量进行聚类。 谱聚类的基本思想便是利用样本数据之间的相似矩阵（拉普拉斯矩阵）进行特征分解（ 通过Laplacian Eigenmap 的降维方式降维），然后将得到的特征向量进行 K-means聚类。 拉普拉斯矩阵 拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵、基尔霍夫矩阵或离散拉普拉斯算子，主要应用在图论中，作为一个图的矩阵表示。 给定一个有n个顶点的图G，它的拉普拉斯矩阵定义为:L=D-A，其中D为图的度矩阵，A为图的邻接矩阵。 例： 图 邻接矩阵A 度矩阵D 拉普拉斯矩阵L MATLAB代码 1) 构建表示对象集的相似度矩阵W； d= pdist(M); W=squareform(d); 2) 根据相似度矩阵W构建非正规拉普拉斯矩阵； N=tril(W,0); s=sum(N); D=diag(s); L=D-N; 3) 计算拉普拉斯矩阵的前k个特征值与特征向量，构建特征向量空间； [Q,A]=eigs(L,k,SR); 4) 利用K-means对特征向量空间中的特征向量进行聚类。 C = kmeans(Q, k); MATLAB函数--pdist 调用格式：Y=pdist(X,’metric’) 说明： 用 ‘metric’指定的方法计算 X 数据矩阵中对象之间的距离。 X：一个m×n的矩阵，它是由m个对象组成的数据集，每个对象的大小为n。 metric取值如下： ‘euclidean’：欧氏距离（默认）； ‘seuclidean’：标准化欧氏距离； ‘mahalanobis’：马氏距离； ‘cityblock’：布洛克距离； ‘minkowski’：明可夫斯基距离； ‘cosine’：cos函数 ‘correlation’： ‘hamming’： ‘jaccard’： ‘chebychev’：Chebychev距离。 MATLAB函数--squareform 调用格式：Z=squareform(Y) 说明： 强制将距离矩阵从上三角形式转化为方阵形式，或从方阵形式转化为上三角形式。 MATLAB函数--sum a=sum(x); %列求和 a=sum(x,2); %行求和 a=sum(x(:)); %矩阵求和 MATLAB函数--sparse S = sparse(A) 将矩阵A转化为稀疏矩阵形式，即矩阵A中任何0元素被去除，非零元素及其下标组成矩阵S。如果A本身是稀疏的，sparse(S)返回S。 S = sparse(i,j,s,m,n,nzmax) 由向量i,j,s生成一个m*n的含有nzmax个非零元素的稀疏矩阵S，并且有 S(i(k),j(k)) = s(k)。向量 i，j 和 s 有相同的长度。对应对向量i和j的值，s 中任何零元素将被忽略。 缩写： S = sparse(i,j,s,m,n) 用 nzmax = length(s) S = sparse(i,j,s) 使m = max(i) 和 n = max(j)，在s中零元素被移除前计算最大值，[i j s]中其中一行可能为[m n 0]。 MATLAB函数--eigs eig求所有特征值和特征向量 [V,D] = eigs(A,…) %D为6个最大特征值对角阵，V的列向量为对应特征向量。 [V,D] = eigs(Afun,n,…) [V,D,flag] = eigs(A,…) %flag表示特征值的收敛性，若flag=0，则所有特征值都收敛，否则，不是所有都收敛。 [V,D,flag] = eigs(Afun,n,…) d = eigs(A,k,sigma) % sigma：lm 表示绝对值最大的特征值；sm 绝对值最小特征值；对实对称问题：la表示最大特征值；sa为最小特征值；对非对称和复数问题：lr 表示最大实部；sr 表示最小实部；li 表示最大虚部；si表示最小虚部 MATLAB函数--kmeans idx= kmeans(X,k); IDX:每个样本点所在的类别 k：分类数 MATLAB聚类 1. clusterdata函数对样本数据进行一次聚类，clusterdata(M, 0.6) 2. K-均值聚类，kmeans（M, k） 3.