最大最小距离法

实验目的

本实验的目的是使学生了解最大最小距离法聚类方法，掌握最大最小距离聚类分析法的基本原理，培养学生实际动手和思考能力，为数据分析和处理打下牢固基础。

聚类算法

该算法以欧氏距离为基础，首先辨识最远的聚类中心，然后确定其他的聚类中心，直到无新的聚类中心产生。最后将样本按最小距离原则归入最近的类。

1.从N个样本集中的任选取一个样本，作为第一个聚类中心z1；
2.选取距离第一个聚类中心z1最远的样本作为第二个聚类中心z2；
3.计算其余样本与z1,z2之间的距离，并求出它们的最小值

dij=∥xi−zj∥,j=1,2
di=min[di1,di2],i=1,2,…N

4.若：(θ 为 选 定 的 比 例 系 数)

dl=imax[min[di1,di2]]>θ∗∥z1−z2∥

则相应的样本xl作为第三个聚类z3，转至下一步继续判断是否存在新的聚类中心，否则转至第六步

5.假设存在k个聚类中心，计算各样本到各个聚类中心的距离dij，并算出

dl=max[min[di1,di2,…,dik]]>θ∗∥z1−z2∥

若成立，则zk=xl，并循环此步骤，继续判断是否有新的聚类中心存在，否则转至第六步

6当判断不再有新的聚类中心存在时，将样本集按最小距离原则分到各类中去，即计算

dij=∥xi−zj∥,j=1,2,…,k,i=1,2,…,N

实验内容

实验步骤

1、提取分类特征，确定特征值值域，确定特征空间；
2、编写聚类程序；
3、将所提取的样本的加以聚类；
4、用误差平方和准则（也可选用其他准则）加以评价，直到满意为止。

实验代码

clear all
clc
x=[0,0; 3,8; 2,2;1,1; 5,3; 4,8; 6,3; 5,4;  6,4;  7,5]
Theta=0.5;
[pattern,centerIndex]=MaxMinDisFun(x,0.5)

%%%%%%%%%%%%%%%%%
%函数名称 MaxMinDisFun(x,Theta)
%输入参数：
%           x  ： x为n*m的特征样本矩阵，每行为一个样本，每列为样本的特征
%         Theta：即θ，可用试探法取一固定分数，如：1/2
%输出参数：
%       pattern：输出聚类分析后的样本类别
%   centerIndex：聚类中心点
%函数功能 ：利用最大最小距离算法聚类样本数据，
%%%%%%%%%%%%%%%%%%%%%
function [classes,centerIndex]=MaxMinDisFun(x,Theta)
maxDistance=0;
start=1;    %初始选一个中心点
index=start;%相当于指针指示新中心点的位置
k=1;        %中心点计数，也即是类别
dataNum=size(x,1);  %输入的样本数
centerIndex=zeros(dataNum,1); %保存中心点
distance=zeros(dataNum,1);    %表示所有样本到当前聚类中心的距离
minDistance=zeros(dataNum,1); %取较小距离
classes=zeros(dataNum,1);     %表示类别
 
centerIndex(1)=index;%保存第一个聚类中心
classes(:)=k;        %初始类别全为k
%%
for i=1:dataNum
    distance(i)=sqrt((x(i,:)-x(centerIndex(1),:))*(x(i,:)-x(centerIndex(1),:))');%欧氏距离，与第1个聚类中心的距离
    classes(i)=k;%第1类
    if(maxDistance<distance(i))
        maxDistance=distance(i);%与第一个聚类中心的最大距离
        index=i;%与第一个聚类中心距离最大的样本
    end
end
%%
minDistance=distance;
% minDistance(index,1)=0;
maxVal=maxDistance;
while(maxVal>(maxDistance*Theta))%判断新的聚类中心是否满足条件
    k=k+1;
    centerIndex(k)=index;%判断新的聚类中心是否满足条件,若满足则新增聚类中心
    for i=1:dataNum 
            distance(i)=sqrt((x(i,:)-x(centerIndex(k),:))*(x(i,:)-x(centerIndex(k),:))');%与第k个聚类中心的距离
           if(minDistance(i)>distance(i))
               minDistance(i)=distance(i);
               classes(i)=k;%按照当前最近临方式分类，哪个近就分哪个类别
           end
    end
    %查找minDistance中最大值
    maxVal=0;
    for i=1:dataNum
        if((maxVal<minDistance(i))) 
            maxVal=minDistance(i);
            index=i;
        end
    end
%     centerIndex(k+1)=index;%新的聚类中心
    aaa=0;
end
end  

运行结果

x =
     0     0
     3     8
     2     2
     1     1
     5     3
     4     8
     6     3
     5     4
     6     4
     7     5
pattern =
     1
     2
     1
     1
     3
     2
     3
     3
     3
     3
centerIndex =
     1
     6
     7
     0
     0
     0
     0
     0
     0
     0