系統(tǒng)聚類分析課程設(shè)計-免費閱讀
【正文】 顯然，距離是事物之間差異性的測度，差異性越大，則相似性越小，所以距離是系統(tǒng)聚類分析的依據(jù)和基礎(chǔ)。③ 從 Kmeans 算法框架可以看出，該算法需要不斷地進(jìn)行樣本分類調(diào)整，不斷地計算調(diào)整后的新的聚類中心，因此當(dāng)數(shù)據(jù)量非常大時，算法的時間開銷是非常大的。 endendsample = uint8(sample)。 case 2 sample(i) = 120。 %flag(1) = []。 %ncentre1 = sum(fsample1)/(m1 1)。 %%將標(biāo)記數(shù)組賦值4，該點屬于第4類 %fsample4 = cat(1,fsample4,sample(i))。 fsample(2) = fsample(2) + sample(i)。 %%求最小的距離 %選取最小值，第一個值給dis1，第二個值給dis2，判斷dis2dis1，則給dis2值于dis1，計算第三個距離給dis2，返回第三步，循環(huán) switch mindis case dis(1) %flag = cat(1,flag,1)。 dis = zeros(1,4)。 %%選取第3類聚類中心ocentre4 = 255。 %%將彩色圖片轉(zhuǎn)換為灰度圖片[m n] = size(sample)。m，如果Zi(k+1)=Zi(k),則迭代結(jié)束，否則轉(zhuǎn)到第二步繼續(xù)迭代。對于所有的i ≠ j, i = 1,2,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算的調(diào)整規(guī)則。在分析之初假定n個點自成一類，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。子群的形成的是地理系統(tǒng)運作的結(jié)果，根據(jù)此可以揭示某種地理機(jī)制。 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。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。其算法框圖如圖所示。ZM(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。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=1,239。 %%一個和sample等維數(shù)的標(biāo)記向量ocentre1 = 80。 %fsample4 = 0。 %%求到第2個聚類中心距離 dis(3) = abs(sample(i) ocentre3)。 case dis(2) %flag = cat(1,flag,2)。 fsample(3) = fsample(
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1