java 最大最小聚类,聚类算法-最大最小距离算法(实例+代码)

最新推荐文章于 2024-06-21 17:30:00 发布

程叹

最新推荐文章于 2024-06-21 17:30:00 发布

阅读量1k

点赞数

文章标签： java 最大最小聚类

聚类算法-最大最小距离算法(实例+代码)

【尊重原创，转载请注明出处】http://blog.csdn.net/guyuealian/article/details/53708042

聚类算法-最大最小距离算法(实例+代码)

一、最大最小距离算法基本思想

二、算法实现步骤

1.最大最小距离聚类算法(Matlab版本)

2.最大最小距离聚类算法(Python版本)

3.最大最小距离聚类算法(OpenCV C++版本)

4.最大最小距离聚类算法(C++版本)

一、最大最小距离算法基本思想

最大最小距离法是模式识别中一种基于试探的类聚算法，它以欧式距离为基础，取尽可能远的对象作为聚类中心。因此可以避免K-means法初值选取时可能出现的聚类种子过于临近的情况，它不仅能智能确定初试聚类种子的个数，而且提高了划分初试数据集的效率。该算法以欧氏距离为基础，首先初始一个样本对象作为第1个聚类中心，再选择一个与第1个聚类中心最远的样本作为第2个聚类中心，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。

二、算法实现步骤

假设有10个模式样本点：{x1(0 0), x2(3 8), x3(2 2), x4(1 1), x5(5 3), x6(4 8), x7(6 3), x8(5 4), x9(6 4), x10(7 5)}，其样本分布如图所示：

最大最小距离聚类算法步骤如下：

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。

为了方便看解计算过程，下面以表格的方式列出：

PS：上面的算法内容都是写在Word文档，然后截图放出来的，需要原版Word文档，留言发给你便是~

1.最大最小距离聚类算法(Matlab版本)

【源码下载，可直接运行使用】http://download.csdn.net/detail/guyuealian/9714195

测试代码：test.m

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

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

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

%查找minDistance中最大值

maxVal=0;

for i=1:dataNum

if((maxVal

maxVal=minDistance(i);

index=i;

end

% centerIndex(k+1)=index;%新的聚类中心

aaa=0;

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 =

centerIndex =

2.最大最小距离聚类算法(Python版本)

# -*-coding: utf-8 -*-

"""

@Project: IntelligentManufacture

@File : maxmin_distance.py

@Author : panjq

@E-mail : pan_jinquan@163.com

@Date : 2019-02-14 18:41:30

"""

import math

import numpy as np

def calcuDistance(data1, data2):

'''

计算两个模式样本之间的欧式距离

:param data1:

:param data2:

:return:

'''

distance = 0

for i in range(len(data1)):

distance += pow((data1[i]-data2[i]), 2)

return math.sqrt(distance)

def maxmin_distance_cluster(data, Theta):

'''

:param data: 输入样本数据,每行一个特征

:param Theta:阈值，一般设置为0.5，阈值越小聚类中心越多

:return:样本分类，聚类中心

'''

maxDistance = 0

start = 0#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 = 0 #中心点计数，也即是类别

dataNum=len(data)

distance=np.zeros((dataNum,))

minDistance=np.zeros((dataNum,))

classes =np.zeros((dataNum,))

centerIndex=[index]

# 初始选择第一个为聚类中心点

ptrCen=data[0]

# 寻找第二个聚类中心，即与第一个聚类中心最大距离的样本点

for i in range(dataNum):

ptr1 =data[i]

d=calcuDistance(ptr1,ptrCen)

distance[i] = d

classes[i] = k + 1

if (maxDistance < d):

maxDistance = d

index = i #与第一个聚类中心距离最大的样本

minDistance=distance.copy()

maxVal = maxDistance

while maxVal > (maxDistance * Theta):

k = k + 1

centerIndex+=[index] #新的聚类中心

for i in range(dataNum):

ptr1 = data[i]

ptrCen=data[centerIndex[k]]

d = calcuDistance(ptr1, ptrCen)

distance[i] = d

#按照当前最近临方式分类，哪个近就分哪个类别

if minDistance[i] > distance[i]:

minDistance[i] = distance[i]

classes[i] = k + 1

# 寻找minDistance中的最大距离，若maxVal > (maxDistance * Theta)，则说明存在下一个聚类中心

index=np.argmax(minDistance)

maxVal=minDistance[index]

return classes,centerIndex

if __name__=='__main__':

data = [[0, 0], [3, 8], [2, 2],[1, 1], [5, 3], [4, 8], [6, 3], [5, 4], [6, 4], [7, 5]]

Theta = 0.6

classes,centerIndex = maxmin_distance_cluster(data, Theta)

print(classes)

print(centerIndex)

3.最大最小距离聚类算法(OpenCV C++版本)

强势推荐鄙人的博客：《OpenCV实现最大最小距离聚类算法》https://blog.csdn.net/guyuealian/article/details/80255524

4.最大最小距离聚类算法(C++版本)

// MaxMinDisTest.cpp :

#include "stdafx.h"

#include

using namespace std;

const int N=10;

void main(void)

{ int center[20];

float s[2][N]={{0,3,2,1,5,4,6,5,6,7},

{0,8,2,1,3,8,3,4,4,5}};

float D[20][N];

float min[N];

int minindex[N];

int clas[N];

float theshold;

float theta=0.5;

float D12=0.0;

float tmp=0;

int index=0;

center[0]=0;//first center

int i,k=0,j,l;

for(j=0;j

{ tmp=(s[0][j]-s[0][0])*(s[0][j]-s[0][0])+(s[1][j]-s[1][0])*(s[1][j]-s[1][0]);

D[0][j]=(float)sqrt(tmp);

if(D[0][j]>D12) {D12=D[0][j];index=j;}

}

center[1]=index;//second center

k=1;

index=0;

theshold=D12;

while(theshold>theta*D12){

for(j=0;j

tmp=(s[0][j]-s[0][center[k]])*(s[0][j]-s[0][center[k]])+

(s[1][j]-s[1][center[k]])*(s[1][j]-s[1][center[k]]);

D[k][j]=(float)sqrt(tmp);}

for(j=0;j

float tmp=D12;

for(l=0;l<=k;l++)

if (D[l][j]

min[j]=tmp;minindex[j]=index;

}//min-operate

float max=0;index=0;

for(j=0;j

if(min[j]>max) {max=min[j];index=j;}

if (max>theta*D12){k++;center[k]=index;}// add a center

theshold=max;// prepare to loop next time

} //求出所有中心,final array min[] is still useful

for(j=0;j

for(i=0;i<2;i++)

{for(j=0;j

cout<

}

cout<

for(l=0;l

cout<

for(j=0;j

cout<

}

如果你觉得该帖子帮到你，还望贵人多多支持，鄙人会再接再厉，继续努力的~

程叹

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
java 最大最小聚类,聚类算法-最大最小距离算法(实例+代码)

聚类算法-最大最小距离算法(实例+代码)【尊重原创，转载请注明出处】http://blog.csdn.net/guyuealian/article/details/53708042目录聚类算法-最大最小距离算法(实例+代码)一、最大最小距离算法基本思想二、算法实现步骤1.最大最小距离聚类算法(Matlab版本)2.最大最小距离聚类算法(Python版本)3.最大最小距离聚类算法(OpenCV C+...
复制链接

扫一扫