通过K-MEDOIDS算法对时间序列进行聚类的实现

最近做数据挖掘相关的工作，题目是时间序列聚类研究，目前对于这方面的研究都还只是在起步阶段，被广泛使用的还是基于K-MEDOIDS的聚类，放弃K-MEANS的主要原因还是时间序列之间序列的计算难度，对于这方面我们也已经有了一定的进展，不过也还是有很多的问题。

把基于DTW与K-MEDOIDS的时间序列聚类的算法贴出来，希望对大家有些帮助吧。

这份代码是我在以前的代码的基础上直接改的，所以C和C++有些混用。

#include <stdio.h> #include <stdlib.h> #include <math.h> #include <iostream> using namespace std; #define NA 60 /* 数据维数 */ #define K 6 /* 聚类数 */ #define Psize 36 /* 种群大小 */ #define T 30 /* 最大迭代数 */ #define ED 0.0000001 /* 结束条件 */ #define Min 1000000 /*最小值*/ #define MinCmp(a,b) (a<b?a:b) #define INF 300000000 //记录每个点的坐标已经到K个中心点的距离 typedef struct { double p[NA]; double distance[K]; }Point; //记录整个种群聚类的相关信息 typedef struct { Point clu_cent[K]; /* 即cluster_center 簇类中心 */ int cluster[K][Psize]; /* 簇类数组 */ int cluster_num[K]; /* 簇类中一组数据的编号 */ double fitness; /* 样本适应度值,用于判断结束条件 */ double old_fitness; /* 前一次迭代的适应度值 */ double Je; /* 所有样本的平方误差和 */ }Pop; /* 声明函数 */ int Is_equal(int a[], int n, int b); double Euclid1(double x, double y); double dtw(int x, int y); void input_data(); void Init_center(); void calculate_distance(); void Make_new_cluster(); void Make_new_center(); void output_info(int flag); Point all_data[Psize]; /* 数据大小 */ Pop pop; /************************************************ * 从外部文件导入数据，对于没有数据文件将报错， * * 数据文件的格式根据 NA 决定，例如NA = 4时，测 * * 试数据为四维，则test.data 为： * * 1 2 3 4 * * 1.0 1.2 1.3 1.4 * * ...... * * ...... * ***********************************************/ double Dtwdistance(Point x, P