系統(tǒng)聚類分析課程設計(完整版)
【正文】 ple(i) ocentre4)。 fsample = zeros(4,1)。 %%選取第1類聚類中心ocentre2 = )。2） 將全部數(shù)據(jù)隨即地分為m個類型，計算每類的重心，將這些重心作為m個類的初始中心。開始選擇m個中心Z1,Z2，第三章 算法思想與編程實現(xiàn)我們已經(jīng)指出系統(tǒng)聚類方法首先將n個空間點看做是n個子群，然后根據(jù)所選用的聚類統(tǒng)計量來計算n個子群之間的關系。 ①總和標準化② 標準差標準化此外，子群可以作為其它分析的基礎，例如，公共設施的建立一般地說是根據(jù)居民點群的分布，而不是具體的居民住宅的分布來布置的，因此需要對居民點群進行聚類分析以形成若干居民點子群，這樣便于簡化問題，突出重點。 空間聚類可以采用不同的算法過程。對于距離，計算n個子群兩兩之間的距離，首先選擇距離最近的兩個子群（點）歸為一個新的子群，這樣就得到n1個子群兩兩之間的聚類統(tǒng)計量，繼續(xù)選擇距離最近的子群合并，再得到n2個子群……，依此類推，直到所有的子群全部合并。第二步：在第k次迭代中，對任一樣本X按如下的方法把它調整到m個類別中的某一類別中去。 %%只能讀取三個波段sample = rgb2gray(Imag)。 %%選取第2類聚類中心ocentre3 = 220。 num = zeros(4,1)。 %%求到第4個聚類中心距離 mindis = min([dis(1) dis(2) dis(3) dis(4)])。 flag(i) = 2。 case dis(4) %flag = cat(1,flag,4)。 %[m4 n4] = size(fsample4)。 ncentre4 = fsample(4)/num(4)。 ncentre4 == ocentre4 for i = 1:m*n switch flag(i) case 1 sample(i) = 60。 ocentre4 = ncentre4。② 在 Kmeans 算法中，首先需要根據(jù)初始聚類中心來確定一個初始劃分，然后對初始劃分進行優(yōu)化。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?shù)姆诸悢?shù)目，這一聚類過程稱之為系統(tǒng)聚類。設計算法思想和選用其中的最短距離的原則來進行系統(tǒng)聚類，我們已經(jīng)指出系統(tǒng)聚類方法首先將n個空間點看做是n個子群，然后根據(jù)所選用的聚類統(tǒng)計量來計算n個子群之間的關系。優(yōu)點：本算法確定的K 個劃分到達平方誤差最小。sample = reshape(sample,m,n)。 case 3 sample(i) = 180。 if ncentre1 == ocentre1 amp。 %ncentre2 = sum(fsample2)/(m2
環(huán)評公示相關推薦
鄂ICP備17016276號-1