聚类算法分析报告.docxVIP

精品文档 精品文档 2 2欢迎下载 精品文档 精品文档 2 2欢迎下载 嵌入式方向工程设计 实验报告 评语 成 绩 教师： 年 月 日 学院班级：130712 学生学号学生姓名： 杨阳 同作者： 无 实验日期：2010年12月 聚类算法分析研究 1实验环境以及所用到的主要软件 Win dows Vista NetBea ns6.5.1 Weka3.6 MATLAB R2009a 2实验内容描述 聚类是对数据对象进行划分的一种过程，与分类不同的是，它所划分的类是 未知的，故此，这是一个“无指导的学习” 过程，它倾向于数据的自然划分。 其中聚类算法常见的有基于层次方法、基于划分方法、基于密度以及网格等方法。 本文中对近年来聚类算法的研究现状与新进展进行归纳总结。 一方面对近年来提 出的较有代表性的聚类算法，从算法思想。关键技术和优缺点等方面进行分析概 括；另一方面选择一些典型的聚类算法和一些知名的数据集， 主要从正确率和运 行效率两个方面进行模拟实验，并分别就同一种聚类算法、不同的数据集以及同 一个数据集、不同的聚类算法的聚类情况进行对比分析。 最后通过综合上述两方 面信息给出聚类分析的研究热点、难点、不足和有待解决的一些问题等。 实验中主要选择了 K均值聚类算法、FCM模糊聚类算法并以 UCI Machine Learning Repository 网站下载的IRIS和 WINE数据集为基础通过 MATLA实现 对上述算法的实验测试。然后以WINE数据集在学习了解 Weka软件接口方面的基 础后作聚类分析，使用最常见的 K均值（即K-means）聚类算法和FCM莫糊聚类 算法。下面简单描述一下 K均值聚类的步骤。 K均值算法首先随机的指定 K个类中心。然后： （1） 将每个实例分配到距它最近的类中心，得到 K个类； （2） 计分别计算各类中所有实例的均值，把它们作为各类新的类中心。 重复（1）和（2），直到K个类中心的位置都固定，类的分配也固定。 在实验过程中通过利用Weka软件中提供的simpleKmeans （也就是K均值聚类算 法对WINE数据集进行聚类分析，更深刻的理解 k均值算法，并通过对实验结果 进行观察分析，找出实验中所存在的问题。然后再在学习了解 Weka软件接口方 面的基础上对 Weka软件进行一定的扩展以加入新的聚类算法来实现基于 Weka 平台的聚类分析。 3实验过程 K均值聚类算法 K均值聚类算法理论 K均值算法是一种硬划分方法，简单流行但其也存在一些问题诸如其划分结 果并不一定完全可信。K均值算法的划分理论基础是 c min k a Xk 2 （1） i 1 其中c是划分的聚类数，A是已经属于第i类的数据集Vi是相应的点到第i类的平 均距离，即 Vi,XkNi k 1 Vi ,Xk Ni 其中Ni表示在数据集A中的对象数。 算法的基本过程 stepl:任意选择K个对象作为初始的类的中心; step2 : repeat ； step3:根据类中的平均值,将每个数据点（重新）赋给最相近的类; step4:更新 类的平均值； step5: until不再发生变化，即没有对象进行被重新分配时过程结束。 算法代码分析 K均值聚类算法的代码分析过程如下 首先调用clust_normalize ()函数将数据集标准化具体过程如下 data=clust_ no rmalize(data,ra nge); 下面是对K均值算法的初始化 if max(size(param.c))==1, c = param.c; in dex=ra ndperm(N); v=X(i ndex(1:c),:);v = v + 1e-10; v0=X(i ndex(1:c)+1,:);v0 = v0 - 1e-10; else v = param.c; c = size(param.c,1); in dex=ra ndperm(N); vO=X(i ndex(1:c)+1,:);v0 = v0 + 1e-10; end iter = 0; 接着是迭代求解直到满足要求的解或者达到最大的迭代值 while prod(max(abs(v - v0))), iter = iter +1; vO = v; for i = 1:c 这里是用来计算欧氏距离 dist(:,i) = sum([(X - repmat(v(i,:),N,1)).A2],2); end 下面将分类结果赋值 [m,label] = mi n(dist); 精品文档 精品文档 PAGE PAGE #欢迎。下载 精品文档 精品文档 PAGE PAGE #欢迎。下载 distout=sqrt(dist); 下面计算分类中心 for i = 1:c