第二章分析和总结.docxVIP

算法： 第一步：选K 个初始聚类中心，z (1)，z (1)，…，z (1)，其中括 1 2 K 号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K 个模式样本的向量值作为初始聚类中心。 第二步：逐个将需分类的模式样本{x}按最小距离准则分配给 K 个聚类中心中的某一个z (1)。 j ?假设 i=j 时， D (k) ? m i n {x ? z (k) ,i ? 1,2, K} ， 则 ? j i x ?S (k) ，其中 k 为迭代运算的次序号，第一次迭代 j k=1，S 表示第j 个聚类，其聚类中心为z 。 j j 第三步：计算各个聚类中心的新的向量值，z (k+1)，j=1,2,…,K j 求各聚类域中所包含样本的均值向量： z (k ? 1) ? 1 j N ? x, j ? 1,2,?, K j x?Sj(k ) 其中N 为第j 个聚类域S 中所包含的样本个数。以均值 j j 向量作为新的聚类中心，可使如下聚类准则函数最小： J ? ? x ? z (k ? 1) 2 , j j x?S j(k) j ? 1,2,?, K 在这一步中要分别计算K 个聚类中的样本均值向量，所以称之为K-均值算法。 第四步：若z j (k ? 1) ? z j (k) ，j=1,2,…,K，则返回第二步，将模式 样本逐个重新分类，重复迭