图论聚类

简介

图论聚类方法最早是由Zahn提出的，又称作最大（小）支撑聚类算法。图论聚类要建立与问题相适应的图，图的节点对应于被分析数据的最小单元，图的边或者是弧对应于最小数据之间的相似性度量。因此，每个最小处理单元之间都会有一个度量的表达，这就确保数据局部特性比较易于处理。图论聚类法是以样本数据的局域链接特征作为聚类的主要信息源，因而其优点是易于处理局部数据的特性。

图论聚类思想

   图论分析中，把待分类的对象想x1,x2,x3,x4……看做一个全连接无向图G=[X,E]中的节点，然后给每一条边赋值，计算任意两点之间的距离（例如欧氏距离）定义为边的权值。并生成最小支撑树，设置阈值将对象进行聚类分析。

算法步骤

1.  利用prim算法构造最小支撑树。

2.  给定一个阈值r,在最小支撑树中移除权值大于阈值的边，形成森林。

3.  森林中包含剩下的所有的树。

4.  每棵树视为一个聚类。

 

Matlab算法实现

clear

clc

%creat sample

x1 = rand(9,1);

y1 = rand(9,1);

yuzhi = 0.05 %阈值

plot(x1,y1,'*');

%距离矩阵

for i=1:1:9

   for j =1:1:9

       dis(i,j) = (x1(i)-x1(j)).^ 2+ (y1(i) - y1(j)).^ 2 ;

       if i == j

            dis(i,j)=inf;

           

       end

   end

end

 A =dis;

%prim最小支撑树

 P = zeros(1, 9);

 P(1,1) = 1;

 V = 1:9;

 V_P = V - P;

 link = zeros(8,3); % start  end  dis

 k=1;

 while k<9

    p = P(P~=0);

    v = V_P(V_P~=0);

    pv = min(min(A(p,v)));

    [x, y] = find(A==pv);

    for i=1:length(x)

       if  any(P==x(i)) &&any(V_P==y(i))

            P(1,y(i)) = y(i);

            V_P = V - P;

            link(k, :) = [x(i),y(i),dis(x(i),y(i))];   %节点节点与节点之间的距离

            k = k+1;

            break;

         end

   end

 end

 

%%画出最小支撑树 

figure

for i=1:1:8

   x = link(i,1:2)

   plot(x1(x),y1(x));

   hold on;

end

hold on

plot(x1,y1,'*')

 

cut_link = link;

 

k=0

%[a,b] = size(cut_link)

for i=1:1:8

 cut = link(i,3)

 if cut>yuzhi

    cut_link(i-k,:) = [] ;   %生成的森林

    k=k+1;

 end

  

end

 

 

 

%%画出聚类后数据

figure

 [a,b] =size(cut_link);

for i=1:1:a

   x = cut_link(i,1:2);

   plot(x1(x),y1(x));

   hold on;

end

hold on

plot(x1,y1,'*')

原始数据：

                                                                                   

最小支撑树

移除权值大于阈值后：