聚类程序（汇总）k-means、层次聚类、神经网络聚类、高斯混合聚类等

利用不同方法对数据进行聚类，参考至：周志华 机器学习

%% 利用不同方法对债券样本进行聚类
     %说明
     %分别采用不同的方法，对数据进行聚类 
     %kmens可以选择的pdist/clustering距离
  %  'sqeuclidean' 'cityblock'    'cosine'       'correlation'    'hamming'  
     %Y=pdist(X) 生成各数据点之间距离的行向量
     %squareform(Y) 生成方阵（i，j）代表i个点与j各点之间的距离
     %聚类方法：
     %k-means
     %kidx=kmeans(bonds,numClust,'distance',dist_k);
     %层次聚类
     %hidx=clusterdata(bonds,'maxclust',numClust,'distance',dist_h,'linkage',link);
     %liankage产生层次聚类树
     %获取距离矩阵，第二参数指定距离计算方法
%可选参数有'euclidean'：欧氏距离（默认）；'seuclidean'：标准化欧氏距离；
%'mahalanobis'：马氏距离；'cityblock'：布洛克距离；'minkowski'：明可夫斯基距离；
%'cosine'：余弦距离 'correlation'：相关性 'hamming'：汉明距离 'jaccard'：Jaccard相似度
%获取聚类，第二参数指定层次聚类方式
%'single'：单连通，最短距离法（默认）；'complete'：全连通，最长距离法；'average'：未加权平均距离法；
%'weighted'：加权平均法；'centroid'：质心距离法；'median'：加权质心距离法；'ward'：内平方距离
%'chebychev'：Chebychev距离。
     %神经网络聚类
    %dimension1=3;
    %dimension2=1;
    % net = selforgmap([dimension1 dimension2]);
    % net.trainParam.showWindow=0;
    %训练网络
    %[net,tr]=train(net,bonds');
    %nidx=net(bonds');
    %nidx=vec2ind(nidx)'   
     %高斯混合