模式识别-经典聚类方法

一、基于试探的聚类搜索算法（类别数由少到多）

1、按最邻近规则的简单试探法

基本思想：假设有N个样本{X1,X2...Xn}，要求按距离阈值T分类到聚类中心{Z1,Z2,Z3…}

步骤：

step1:将第一个样本作为第一类的中心，Z1=X1.

step2:将剩下的样本计算||Xi-Z1 ||，若大于阈值T，则Xi作为新的一类的中心Z2.

step3:将剩余样本分别计算||Xi-Z1||,||Xi-Z2||，若||Xi-Z1||>T且||Xi-Z2||>T，则取Xi作为新的聚类的中心Z3。否则Xi属于距离Z1和Z2的较近者。

step4:按上述策略重复下去，直至将N个模式分类完毕。

优点：计算简单，若模式样本的集合分布的先验知识已知，则可获得较好的聚类结果。

缺点：在实际中，对于高维模式样本很难获得准确的先验知识，因此只能选用不同的阈值和起始点来试探，并对结果进行验证。

这种方法在很大程度上依赖于以下因素：

第一个聚类中心的位置（初始化问题）

待分类模式样本排列次序（聚类样本的选择问题）

距离阈值T的大小（判决准则问题）

样本分布的几何性质（样本的固有特性问题）

2、最大最小距离算法

基本思想：以试探类间欧式距离为最大作为预选出聚类中心的条件