系統(tǒng)聚類分析課程設(shè)計-全文預(yù)覽
【正文】 flag(i) = 4。 fsample(3) = fsample(3) + sample(i)。 num(2) = num(2) + 1。 case dis(2) %flag = cat(1,flag,2)。 %%將標(biāo)記數(shù)組賦值1，該點(diǎn)屬于第1類 %fsample1 = cat(1,fsample1,sample(i))。 %%求到第2個聚類中心距離 dis(3) = abs(sample(i) ocentre3)。 for i = 1:m*n %a = 5 2。 %fsample4 = 0。 %%選取第4類聚類中心sample = double(sample)。 %%一個和sample等維數(shù)的標(biāo)記向量ocentre1 = 80。 %%讀取圖片的維數(shù)sample = reshape(sample,m*n,1)。39。這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中又沒有調(diào)整類數(shù)的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果，這是這種方法的缺點(diǎn)。Zj(k+1)是按照使J最小的原則確定的，J的表達(dá)式為： J=第四步：對于所有的i=1,2ZM(1)，初始中心的選擇對聚類結(jié)果有一定的影響，初始中心的選擇一般有如下幾種方法：1） 根據(jù)問題的性質(zhì)和經(jīng)驗(yàn)確定類別數(shù)m，從數(shù)據(jù)中找出直觀上看來比較適合的m個類的初始中心。Zm所有像元分到m個集群中心計算新的集群中心聚類中心不變結(jié)束具體的計算步驟如下：假設(shè)圖像上的目標(biāo)要分為m類，m為已知數(shù)。其算法框圖如圖所示。Kmeans算法以歐式距離作為相似度測度，它是求對應(yīng)某一初始聚類中心向量V最有分類，使得評價指標(biāo)J最小。在地理分區(qū)和分類研究中，往往采用幾種距離進(jìn)行計算、對比，選擇一種較為合適的距離進(jìn)行聚類。 ③ 極大值標(biāo)準(zhǔn)化經(jīng)過這種標(biāo)準(zhǔn)化所得的新數(shù)據(jù)，各要素的極大值為1，其余各數(shù)值小于1。 在聚類分析中，常用的聚類要素的數(shù)據(jù)處理方法有如下幾種。 常見的聚類分析方法有系統(tǒng)聚類法、動態(tài)聚類法和模糊聚類法等。子群的形成的是地理系統(tǒng)運(yùn)作的結(jié)果，根據(jù)此可以揭示某種地理機(jī)制。研究的是系統(tǒng)聚類算法的分析及編程實(shí)現(xiàn)，空間聚類的目的是對空間物體的集群性進(jìn)行分析，將其分為幾個不同的子群（類）。在分析之初假定n個點(diǎn)自成一類，然后逐步合并，這樣在聚類的過程中，分類將越來越少，直至聚至一個適當(dāng)?shù)姆诸悢?shù)目，這一聚類過程稱之為系統(tǒng)聚類。它們所對應(yīng)的要素數(shù)據(jù)可用 。 選擇不同的距離，聚類結(jié)果會有所差異。Kmeans算法是硬聚類算法，是典型的局域原型的目標(biāo)函數(shù)聚類方法的代表，它是數(shù)據(jù)點(diǎn)到原型的某種距離作為優(yōu)化的目標(biāo)函數(shù)，利用函數(shù)求極值的方法得到迭代運(yùn)算的調(diào)整規(guī)則。其基本思想是：通過迭代，主次移動各類的中心，直到得到最好的 聚類為止。對于所有的i ≠ j, i = 1,2,第三步：由第二步得到Sj(k)類新的中心
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1