模式识别 ISODATA举例.pptVIP

* 例：已知8个模式样本如下，试用ISODATA算法对这些样本分类。 解：第一步，选NC=1， 各参数预选为： 第一步：预选NC个聚类中心 ， NC也是聚类过程 中实际的聚类中心个数。预选指标： K：希望的聚类中心的数目。 θN：每个聚类中应具有的最少样本数。若样本少于θN ，则该 类不能作为一个独立的聚类，应删去。 θS ：一个聚类域中样本距离分布的标准差阈值。标准差向量的 每一分量反映样本在特征空间的相应维上，与聚类中心的 位置偏差（分散程度）。要求每一聚类内，其所有分量中 的最大分量应小于θS，否则该类将被分裂为两类。 θC ：两聚类中心之间的最小距离。若两类中心之间距离小于 θC，则合并为一类。 L：在一次迭代中允许合并的聚类中心的最大对数。 I：允许迭代的次数。 第二步：把N个样本按最近邻规则分配到NC个聚类中。 若 则 第三步：若Sj中的样本数NjθN ，则取消该类，并且NC减去1。 第四步：修正各聚类中心值。 第五步：计算Sj类的类内平均距离 。 第六步：计算总体平均距离 ，即全部样本到各自聚类中心距 离的平均距离。 θN：每类应具有的 最少样本数。 第二步，只有一个聚类中心Z1，故 第三步，因 ，故无聚类可删除 第四步，修改聚类中心 第五步，计算 第六步，计算 ，因只有一类，故 3) 如果迭代的次数是偶数，或NC≥2K，即聚类中心数目大于或 等于希望数的两倍，则跳到第十一步(合并)。否则进入第八步 (分裂)。 第七步：判决是进行分裂还是进行合并，决定迭代步骤等。 判断分裂还是合并。 1) 如迭代已达I次(最后一次)，置θC=0 ，跳到第十一步(合并)。 2) 若NC≤K/2，即聚类中心小于或等于希望数的一半，进入 第八步(分裂) 。 θC ：两聚类中心之间的最小距离。 NC：预选的聚类中心数。 I：允许迭代的次数。 K：希望的聚类中心的数目。 第七步，因不是最后一次迭代，且 故进入第八步进行分裂运算。 分裂处理。 第八步：计算每个聚类中样本距离的标准差向量。对第Sj类有 分量： 是聚类数； 是维数（特征个数 ）。 第九步：求每个标准差向量的最大分量。σj的最大分量记为 σjmax， j=1,2, …,NC。 第八步，求S1的标准差向量 ，得 第九步， 第十步：在最大分量集 中，如有 ， 1) 和 ，即类内平均距离大于总体平均距离， 并且Sj类中样本数很大。 说明Sj类样本在对应方向上的标准差大于允许的值。此 时，又满足以下两个条件之一： 2) ，即聚类数小于或等于希望数目的一半。 则将Zj分裂成两个新的聚类中心 和 ，并且NC加1。其中 θN：每个聚类中应具有的最少样本数。 θS ：聚类域中样本距离分布的标准差阈值。 ：分裂系数 若完成了分裂运算，迭代次数加1，跳回第二步；否则，继续。 按邻近规则聚类 第十步，因 且 故可将Z1分裂为两个新的聚类中心。选k=0.5， 即迭代次数加1，跳回到第二步，进行第二次迭代运算，本次运算从第二步开始 第二步，按最近邻规则对所有样本聚类，得到两个聚类分别为 第三步，因 ，故无聚类可删除。 第四步，修改聚类中心 第五步，计算 第六步，计算 第七步，因这是偶数次迭代，符合第七步的第（3）条，故进入第十一步。 第十一步，计算聚类之间的距离，得