湖南科技大学软件生产实习报告.docxVIP

软件生产实习报告书 聚类算法设计与实现 学 号：1005010214 姓 名：朱志刚 指导老师：朱自兰 完成日期：2013年6月28日 目录 TOC \o 1-5 \h \z 一、 前言 3 \o Current Document 二、 可行性研究 3 \o Current Document 三、 需求分析 3 \o Current Document 3.1总体设计思想: 3 \o Current Document 3.2算法步骤 4 \o Current Document 四、 系统设计与实现 5 \o Current Document 4.1系统架构 5 \o Current Document 4.2载入数据模块 5 \o Current Document 4.3随机选取K个点初始化聚类中心 9 \o Current Document 4.4计算类间距离并且把坐标点分好类 9 \o Current Document 4.5重新计算各个类的聚类中心 10 \o Current Document 4.6分析误差，结束程序 11 \o Current Document 五、 综合测试 12 \o Current Document 六、 总结 13 \o Current Document 七、 参考文献 13 、前言 聚类分析是数据数据挖掘领域中重要的研究课程，用于发现大规模数据集中未知的对 象类。它广泛地应用于文本搜索、模式识别、人工智能、图像分析等领域。目前已经处 在许多的聚类算法，比如基于划分的K-Means算法。K-Means算法是一种以平均值作为 聚类中心的分割聚类方法，简单而且快捷。 :、可行性研究 1） 工艺技术上：对于给定的一个包含n个二维数据集以及要生成的数据子集的数 目K，K-Means聚类算法将数据对象组织为K个划分。每个划分代表一个类，每个类有 一个类别中心。选取欧式距离作为相似和距离判断准则，计算该类内各点到聚类中心的 距离平方和，聚类目标是使各类总的距离平方和最小。显然我们可以换一种思想分类的 时候，分别计算所有数据集到K各点的距离最短而分类，用中心点的距离误差代替极限 的无限逼近。 2） 市场需求上：聚类分析是数据挖掘中的一个重要研究领域，K-Menas算法在对 于学生学习成绩的分析、电信CRM客户分类有重要的作用。 3） 经济效益上：这个算法在成本上非常少，只需要脑力成本，不需要过度的开销。 三、需求分析 3.1总体设计思想： k-means算法接受输入量k ；然后将n个数据对象划分为k个聚类以便使得所获 得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类 相似度是利用各聚类中对象的均值所获得一个中心对象”（引力中心）来进行计算的。 下面是具体的需求算法： Al^orilliiti 411心1成4一 JH CEuhjsc k duki paints Ihc inilia] tcntriiJs( clusici ccnicr?. I repeat fiir Cticlj data pottiL x，_ D Jci coiiipme die JESEiuict (rom x【。eitcl\ ceiHruiJ- ussiLin x Lu [he close si ccnirtMd ll ccniroid reprcscms ii cluster endfur re-coinpLiic Lhc cciitniiJs uslh^ the current uluslcr nicnibcrship S uiiti] tlie flopping nicnui] n met 下面为具体的总体流程图: 3.2算法步骤 K-Means算法的步骤： 选K个初始聚类中心，z1(1), z2(1)，…，zK(1),其中括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。 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 zj(1)。假设i=j时，其中k为迭代运算的次序号，第一次迭代k=1，Sj表示第j个聚类， 其聚类中心为zj。 （3）计算各个聚类中心的新的向量值，zj（k+1）,j=1,2,…,K。求各聚类域中所包含 样本的均值向量；其中Nj为第j个聚类域Sj中所包含的样本个数。以均值向量作为新的聚 类中心，可使如下聚类准则函数最小：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。 （4）若j=1,2,…,K，则返回第二步，将模式样本逐个重新分类，重复迭代运算； 若，j=1,2,…，K，则算法收敛，计算结束。