KMeans聚类算法模式识别Word文档格式.docx

1、（1） 任意选择k个对象作为初始的簇中心；（2） repeat；（3） 根据簇中对象的平均值，将每个对象（重新）赋予最类似的簇；（4） 更新簇的平均值，即计算每个簇中对象的平均值；（5） 直到不再发生变化。2. 主要代码主程序：clc;clear;close all;% 聚类算法测试nSample = 500, 500, 500; % 3维情况dim = 3;coeff = -2 0.8; -1 0.9; 2 0.7;, . 1 0.9; -2 0.7; -2 0.8; , . -2 0.7; 2 0.8; , ;data = createSample（nSample, dim , coeff

2、）;% 得到训练数据nClass = length（nSample）;tlabel = ;tdata = ;for i = 1 : nClass tlabel = tlabel; i * ones（nSample（i）, 1）; tdata = tdata; datai;end% 调用k-means聚类算法 label = stpKMeans（ tdata, nClass）;% 绘图result = cell（1, nClass）;index = 0; index = find（label（:,1） = i）; resulti = tdata（index, :）;figure;subplot（

3、1, 2, 1）;plot3（data1（:, 1）, data1（:, 2）, data1（:, 3）, *, . data2（:, 1）, data2（:, 2）, data2（:o data3（:, 1）, data3（:, 2）, data3（:xtitle（初始数据subplot（1, 2, 2）;plot3（result1（:, 1）, result1（:, 2）, result1（: result2（:, 1）, result2（:, 2）, result2（: result3（:, 1）, result3（:, 2）, result3（:K-Means聚类结果K-Means核心

4、算法：function label = stpKMeans（ data, k）% KMeans 聚类算法，参考% % 输入% data 原始数据% k 聚多少个簇% 输出% label 按照data数据的顺序，每个样本的簇号的列表 n, dim = size（data）; label = zeros（n, 1）;% 任选k个对象作为初始的簇中心 seq = stpRandN_K（n, k）; nowMeans = data（seq, : k label（seq（i） = i; dist = zeros（n, k）;while（true）% 计算数据到每个簇的欧几里得距离 temp = data

5、;for j = 1 : dim% 先让数据减去第j个特征 temp（:, j） = data（:, j） - nowMeans（i, j）;% 点乘后再相加球的距离的平方 temp = temp .* temp; dist（:, i） = sum（temp, 2）;% 从k种距离中找出最小的，并计算修改次数（label跟上一次不一样） , label2 = min（dist, , 2）; editElem = sum（label（:, 1） = label2（:, 1）; label = label2;% for i = 1 : n% % 根据均值将当前的每个元素重新分簇% minDist

6、= inf;% index = -1;% % 从当前的k个均值中找到离元素i最近的一个，将其划分到该簇% for j = 1 :% dist = data（i,:） - nowMeans（j, :% dist = dot（dist, dist）;% if（dist minDist）% % 修改最近的距离，并记录测试的簇号% minDist = dist;% index = j;% end% % 判断是该元素是否重新划分了簇% if（index = label（i） ）% editElem = editElem + 1;% label（i） = index;if editElem = 0% 表示

7、本次没有修改，那么跳出循环break;% 重新分簇后，重新计算均值% 计算第k簇的均值 index = find（label（:, 1） = i ）; nowMeans（i, :） = mean（data（index, :）;从n个元素中随机抽取K个元素的代码：function out = stpRandN_K（n, k）% 从1-n中随机选中k个不同的元素 data = 1 : n; index = floor（ （n-i+1）*rand（） ） + i;% 交换i和index上的数据 temp = data（index）; data（index） = data（i）; data（i） =

8、temp; out = data（1:k）;图片聚类测试代码：rgbdata = imread（datag-1.jpglabdata = stpRgb2Lab（rgbdata）;sm, sn, = size（labdata）;sN = sm * sn;nClass = 4;labdata = reshape（labdata, sN, 3）; label = stpKMeans（ labdata, nClass）;label = reshape（label, sm, sn）;imshow（rgbdata）;hold on;TX = 1 : sn;TY = 1 : sm;imagesc（TX, T

9、Y, label）;3. 结果分析针对给定的参数K-Means算法三类聚类结果：图1 初始数据和K-Means聚类结果当初始数据给为如下时：图2 初始数据和K-Means聚类结果由此可以看到，K-Means算法会把一些偏离中心较远的点分到其它簇内。4. 用于图片的结果以图片的在Lab颜色空间的三通道作为三个特征，每个像素为一个样本点，进行图片聚类，此时，如果类数为8，则得到：图3a 图片聚类（8类）结果图3b 图片聚类（8类）结果聚类数量变为15时结果如下：图4a 图片聚类（15类）结果图4b 图片聚类（15类）结果当聚类为4的时候，结果为：图5a 图片聚类（4类）结果图5b 图片聚类（4类）结果