【正文】 一般來說，KN，tN 。 else ocentre1 = ncentre1。 %flag %fsample ncentre1 = fsample(1)/num(1)。 flag(i) = 3。 %%求到第1個聚類中心距離 dis(2) = abs(sample(i) ocentre2)。 %%控制循環(huán)次數(shù)flag = 0。第三步：由第二步得到Sj(k)類新的中心Zj(k),Zj(k)=式中，Nj為Sj(k)類中的樣本數(shù)。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。它們所對應的要素數(shù)據(jù)可用 。 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。Kmeans算法以歐式距離作為相似度測度，它是求對應某一初始聚類中心向量V最有分類，使得評價指標J最小。 %%讀取圖片的維數(shù)sample = reshape(sample,m*n,1)。 for i = 1:m*n %a = 5 2。 num(2) = num(2) + 1。 %ncentre2 = sum(fsample2)/(m2 1)。 case 3 sample(i) = 180。優(yōu)點：本算法確定的K 個劃分到達平方誤差最小。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。 ocentre4 = ncentre4。 ncentre4 = fsample(4)/num(4)。 case dis(4) %flag = cat(1,flag,4)。 %%求到第4個聚類中心距離 mindis = min([dis(1) dis(2) dis(3) dis(4)])。 %%選取第2類聚類中心ocentre3 = 220。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。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(guān)系。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。)。 fsample = zeros(4,1)。 %%將標記數(shù)組賦值2，該點屬于第2類 %fsample2 = cat(1,fsample2,sample(i))。 %[m3 n3] = size(fsample3)。amp。缺點① 在 Kmeans 算法中 K 是事先給定的，這個 K 值的選定是非常難以估計的。對于距離，計