模式识别实验预习报告

      专业：计算机科学与技术

      课程：模式识别

      学号：152210708417

      姓名：李纯涛

      

                 预习内容

实验一  最大最小距离法

一．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。

二．最大最小距离聚类算法

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。

例：样本分布如图所示。

样本
第一分量	0	3	2	1	5	4	6	5	6	7
第二分量	0	8	2	1	3	8	3	4	4	5
到的距离	0
到的距离						0
	0					0

最大最小距离聚类算法步骤如下：

① 给定，，并且任取一个样本作为第一个聚合中心，。

② 寻找新的集合中心：

计算其它所有样本到的距离：

若，则取为第二个聚合中心，。

计算所有样本到和的距离和：

若，，并且，为和间距离，则取为第三个集合中心，。【注意：，】

如果存在，则计算，，若，则建立第四个聚合中心。依次类推，直到最大最小距离不大于时，结束寻找聚合中心的计算。

注意所在第列，在中为最大的，而且，一般取。所以，。

这里的例中只有三个集合中心，，，。

③ 按最近邻原则把所有样本归属于距离最近的聚合中心，得： ，，。

④ 按照某聚类准则考查聚类结果，若不满意，则重选，第一个聚合中心，返回到②，直到满意，算法结束。

该算法的聚类结果与参数和起始点的选取关系重大。若无先验样本分布知识，则只有用试探法通过多次试探优化，若有先验知识用于指导和选取，则算法可很快收敛。

三．实验内容

见右图所示，为二维点集。

四．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。

五．实验代码参考（Matlab版本）

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