isodata算法 matlab,isodata自适应聚类算法——2017年F题（matlab）（待完成）

%ISODATA算法的Ｍatlab程序 Design by shuijian ([email protected])%相关函数说明见函数定义%x=样本特征空间%clusterNumber=预期聚类中心数目%leastNumber=最小聚类中的样本数，少于此数将不能作为独立的样本%stdvar=样本距离分布的标准差，随着迭代中结果逐渐优化，标准差应该越来越小才合理。%minmumDistance=两聚类中心的最小距离，小于此数将两个聚类合并%maximumCluster=一次运算中可以合并的聚类中心的最大对数%opCount=迭代运算次数%n=，x中元素个数%number=x中元素特征数目%s=聚类结果%clusterCenter=聚类中心%clusterCount =聚类中心元素数目

function [s,clusterCenter,clusterCount]=isodata1(x,n,number,clusterNumber,leastNumber,stdvar,minmumDistance,maximumCluster,opCount)

K= clusterNumber; % K=10; 预期聚类中心数目

qn= leastNumber; % qn=5; 每个聚类中至少有一个样本；否则不构成一个聚类

qs= stdvar; % qs=1; 与对应聚类中最大标准差分量maxQs(i)对比；如果maxQs(i)>qs，则进行分裂处理

qc= minmumDistance; % qc=10000; 小于这个最小距离即进行聚类中心的合并

L= maximumCluster; % L=1; 一次运算中可以合并的最大对数

I= opCount; % I=20; 统计iteration迭代次数

num= number; % number=114; n=2;

factor= 0.5; %分裂计算时标准差的乘积因子%z = [x(2,:);x(floor(n/3),:);x(n,:)]; %初始聚类中心，随机选择,z=聚类中心

z= x(2,:); %初始给定聚类中心，只有一个x2

nc= 1; %初始聚类数目

opTimes= 1; %迭代运算次数计数器while(opTimes <= I) %加%查看一次循环结果：控制迭代次数来结束聚类

count= zeros(1,nc); %聚类元素数目，[1]；[5，5；[3，5，2]

disTocenter= zeros(n,nc); %创建数组，储存全部样本对各个聚类中心的距离 [n*1];[2*1];[3*1]

ss= zeros(nc,n); %所有样本分类 [1*n];[1*n];[1*n]%依据欧氏距离聚类for m = 1:n %n为总样本个数for p = 1:nc

disTocenter(m,p)= distance(x(m,:),z(p,:),num); %计算各个元素距离各聚类中心之间的距离(第一列为各元素z1的距离，第二列为各元素与z2的距离)

end

[minValue,index]= min(disTocenter(m,:)); %依据距离归类

count(index)= count(index) + 1; %累计每个类的元素个数

ss(index,m)= m; %存储每个类的元素，ss每行为一个类

end%修正聚类中心，计算元素到中心的平均距离for i = 1:nc

[aveD(i),z(i,:)]=avTocenter(x(find(ss(i,:)),:),count(i),num);

end%计算全部模式样本对应聚类中心的总的平均距离。

aveAllD=allAvDis(aveD,count);bool =step_judge(opTimes,nc,I,K);%bool = step_judge(opTimes,nc,I,L); %判断是进行分裂还是合并运算

nct=nc;if (bool == 1) %分裂计算(正确)for i = 1:nc

stdcluster(i,:)=clusterStd(x(find(ss(i,:)),:),z(i,:),count(i),num);%计算每个聚类中样本距离的标准差 向量

[maxQs(i),ind]= max(stdcluster(i,:)); %求每聚类中标准差最大分量if(maxQs(i) > qs && (((aveD(i) > aveAllD) && count(i) > 2 * (qn+1)) || nc <= K/2)) %满足条件，分裂聚类中心

lqs= z(i,ind) + factor * maxQs(i); %%新的聚类中心与旧的聚类中心对比；只有标准差分量最大的特征的值变化；

hqs= z(i,ind) - factor *maxQs(i);

temp=[z;z(i,:)];

temp(nc+1,ind) =lqs;

temp(i,ind)=hqs;

z= temp; %z1,z2是新的聚类中心

nct= nct + 1; %聚类中心数目

end

end

nc=nct;

elseif (bool == 0) %合并

centerD= centerDistance(z,nc,num); %两个聚类中心的距离

Zij= centerD < qc; %查找小于设定最小中心距离的中心

[indrow,indcol]= find(Zij); %查找两个中心点%indrowcol =[indrow indcol];for icount = 1:ceil(numel(indrow)/2) %对称矩阵，只计算一半即可,numel返回矩阵元素总个数;ceil向上取整if(indrow(icount) == indcol(icount)) %去掉自身距离(为0)continue; %跳出一次循环elsenewCenter= count(indrow(icount))*z(indrow(icount),:) + count(indcol(icount))*z(indcol(icount),:);

newCenter= newCenter ./(count(indrow(icount))+count(indcol(icount))); %计算合并后的新的中心for zcount = 1:nc

centerTemp(zcount,:)= z(zcount,:); %缓存聚类中心

end

z= zeros(nc-1,num);for zcount = 1:nc-1

if(zcount == indrow(icount) || zcount ==indcol(icount))

z(zcount,:)=newCenter;elsez(zcount,:)=centerTemp(zcount,:);

end

end

nc= nc - 1; %合并，减少聚类中心数目

end

endelseqc= 0;

end

opTimes= opTimes + 1;

s=ss;

clusterCenter=z;

clusterCount=count;

end