mcl计算matlab代码,matlab练习程序（马尔可夫聚类MCL）

本文主要参考：

虽然参考上面两篇文章，不过这里和他给出的算法步骤不完全一致。

因为上面文章是针对Graphs的，矩阵中有边为0的数据，而我的数据是Vector的，边是根据距离计算出来的，应该还是有点区别的，而且我还用了kmeans。

首先给出他的算法步骤：

1.输入一个无向图，Expansion的幂e和Inflation的参数r。

2.创建邻接矩阵。

3.对每个结点添加自循环(可选的)。

4.标准化矩阵(每个元素除以所在列的所有元素之和)。

5.计算矩阵的第e次幂。

6.用参数r对求得的矩阵进行Inflation处理。

7.重复第5步和第6步，直到状态稳定不变(收敛)。

8.把最终结果矩阵转换成聚簇。

然后是这里的算法步骤：

1.输入数据，创建邻接矩阵。

2.标准化矩阵(每个元素除以所在列的所有元素之和)。

3.对标准化后的矩阵进行马尔可夫状态转移。

4.重复第2步和第3步，直到状态稳定不变(收敛)。

5.使用kmeans把最终结果矩阵转换成聚簇。(不明白kmeans的可以看看这篇文章)

代码如下：

clear all;

close all;

clc;

K=3;

theta=0:0.01:2*pi;

p1=[3*cos(theta) + rand(1,length(theta))/2;3*sin(theta)+ rand(1,length(theta))/2];

p2=[2*cos(theta) + rand(1,length(theta))/2;2*sin(theta)+ rand(1,length(theta))/2];

p3=[cos(theta) + rand(1,length(theta))/2;sin(theta)+ rand(1,length(theta))/2];

p=[p1 p2 p3]';

randIndex = randperm(length(p))'; %打乱数据顺序

p=p(randIndex,:);

plot(p(:,1),p(:,2),'.')

for i = 1:length(p)

for j =1:length(p)

W(i,j) = sqrt(sum((p(i,:)-p(j,:)).^2));　　%根据距离初始化无向图的边

end

end

preW=W;

while 1

x=repmat(sum(W),length(p),1);

W=W./x;

W=W*W; %马尔科夫状态转移

if sum(sum(preW-W))<1e-15

break;

end

preW=W;

end

[idx,ctrs] = kmeans(W(:,1),K); %用kmeans将收敛矩阵转换为聚簇

figure;

plot(p(idx==1,1),p(idx==1,2),'r.')

hold on;

plot(p(idx==2,1),p(idx==2,2),'g.')

plot(p(idx==3,1),p(idx==3,2),'b.')

原始数据：

聚类后：