模式识别--K均值聚类简单实现.doc

《模式识别--K均值聚类简单实现.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、实验三K均值算法一、实验目的：1.对动态聚类算法有一个初步的理解，能够根据自己的设计对K均值算法有一个深刻地认识；2.理解聚类准则。二、实验条件：1.PC微机一台和MATLAB软件。三、实验原理：给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。实验步骤：已知样本集合是d维特征向量，j=1，2，…，n；已知类别数K和初始聚类中心的距离；相似性测度可以采用欧氏距离；聚类准则采用误差平方和准则，其准则函数为是第i类的聚类中心。步骤如下：1)初始化：给定类别数K，初始化聚类中心2)第次迭代的修正：逐个将样本按照最

2、小距离原则分配给K个聚类中心的某一个。若，则是聚类中心为的样本集。3)计算新的聚类中心：其中为第一个聚类所包含的样本个数。用均值向量作为新的聚类中心，可使准则函数最小。4)若令转（2）;将样本逐个重新分类，重复迭代计算。若算法收敛，计算完毕。一、实验内容：1）用MATLAB得出30个随机二维向量2）通过K均值算法kmeans对30个随机二维向量进行分类二、实验程序及结果：clc;clear;x1=1.2*randn(10,1)+3y1=1.1*randn(10,1)+3a=[x1,y1];x2=1.2*randn(10,1)+6y2=1.1*randn(10,

3、1)+6b=[x2,y2];x3=1.2*randn(10,1)+9y3=1.1*randn(10,1)+9c=[x3,y3]figure(1);plot(x1,y1,'k.',x2,y2,'k.',x3,y3,'k.');%用黑点画出30个随机点；X=[a;b;c][idx,c]=kmeans(X,3)%kmeans进行分类figure(2);plot(X(idx==1,1),X(idx==1,2),'r.')%用红点画出第一类holdonplot(X(idx==2,1),X(idx==2,2),'b.')%用蓝点画出第二类holdonplot(X(idx=

4、=3,1),X(idx==3,2),'g.')%用绿点画出第三类效果图：一、实验总结：通过本次实验我进一步熟悉了K均值算法的相关知识。此外还在一定程度上锻炼了我的编程能力及对matlab的使用。