matlab z变换离散化_MATLAB实现聚类分析

点击标题下「蓝色微信名」可快速关注

MATLAB聚类算法

K-means聚类与层次聚类(1) kmeans聚类

    聚类算法是一种根据初始点不断迭代，最后将数据聚类的过程。matlab中实现Kmeans常用聚类函数如下：                  

                         [IDX,C]=kmeans(X,k)

                [IDX,C,sumD,D]=kmeans(X,k)

输入参数：X为N*P输入矩阵，其中每一行表示一个点，每一列表示一个变量；k为聚类数；

返回参数：IDX，N*1向量，存储每个点的聚类标号；

              C是k*P矩阵，存储k个聚类质心的位置；

            sumD是1*k的和向量，存储的是类间所有点与该类质             心点距离之和；

            D是N*K矩阵，存储的是每个点与所有质心的距离。

在kmeans函数里，可以根据需要选择调用的参数

1)‘Distance’：聚类距离的度量方式

      默认欧氏距离，cityblock表示绝度误差和。

2)‘Start’：初始质心位置选择方法

      sample表示从X中随机选择K个质心点；

      uniform表示根据X的分布范围均匀的随机生成k个质心；

3)‘Replicates’(聚类重复次数)：选取不同的初始点进行计算的次数，默认值为1

4)‘Options’：迭代的方式，需要创建一个statset变量，它包含如下两个参数

    ‘display’与 'MaxIter'(最大迭代次数)

(2)层次聚类

      层次聚类方法是通过某种相似性测度计算节点之间的相似性，并按相似度由高到低排序，逐步重新连接个节点。

    在matlab中使用linkage函数对元素进行分类，从而创建系统聚类树；使用dendrogram函数显示层次聚类树。

(3)Kmeans聚类分析

clc,clear;

close all;

X=[79 75 70.45 78.35 76.35 71.92 75.85 74.25 66.6...

    71.05 51.75 87.87 68.3 77.55 75.8 70.68 74.9...

    71.3 77.2 77.8 75.2 66.65 75.7 77.3 77.8 70]';

  %行向量变为列向量，这里只用了一列数据，也可以使用多个变量数据进行聚类分析。

[x,y]=size(X);

opts = statset('Display','final');

K=11;           %将X划分为K类

repN=50;        %迭代次数

%K-mean聚类

[Idx,Ctrs,SumD,D] = kmeans(X,K,'Replicates',repN,'Options',opts);

%Idx N*1的向量,存储的是每个点的聚类标号

%打印结果

fprintf('划分成%d类的结果如下：\n',K)

for i=1:K

    tm=find(Idx==i); %求第i类的对象

    tm=reshape(tm,1,length(tm)); %变成行向量

    fprintf('第%d类共%d个分别是%s\n',i,length(tm),int2str(tm)); %显示分类结果

end

figure(1)

plot(X(:,1),'b*','MarkerSize',10);

hold on

plot(Ctrs(:,1),'ro','MarkerSize',10);

K-means聚类结果：

聚类结果绘图：

(4)层次聚类分析示例

A=[79.95 75 80.45 78.15 76.25 71.95 75.85 71.85 76.6...

    77.05 71.85 67.85 68.9 74.55 75.4 70.65 79.55 74.9...

    74.3 77.2 77.8 75.2 76.65 74.7 78.3 77.8 70.9];

X=A';

Y=pdist(X);  % 计算样本点间的欧氏距离

Z=linkage(Y,'average');

%%%利用linkage函数创建聚类树——Y是距离函数，average表示使用类平均算法，Z是返回系统聚类树。

%%%‘average’可以用其他算法代替，如：single表示最短距离算法；%complete表示最长距离算法；median表示中间距离算法；

%centroid表示重心法；ward表示离差平方和法

cn=size(X);

clabel=1:cn;

clabel=clabel';

figure

F2=dendrogram(Z); %显示系统聚类树

title('层次聚类法聚类结果');

set(F2,'linewidth',2);

ylabel('标准距离');

(5)层次聚类分析示例2

clc,clear

a=[79.95 75.55  80.45 78.15 76.25 71.95 75.85 71.85 76.6;

   49.05 51.85  67.85 19.9  34.55 25.44 80.65 67.88 88.97;

   75.78  65.22  87.87  45.66  44.78 44.55 44.98 57.98 55.89];

X=a';

[m,n] = size(a);

d = mandist(a')

d = tril(d);

nd = nonzeros(d);

nd = union(nd,nd);

for i = 1:m-1

nd_min = min(nd);

[row,col] = find(d == nd_min);tm = union(row,col);

tm = reshape(tm,1,length(tm));

fprintf('第%d次合成，平台高度为%d时的分类结果为：%s',i,nd_min,int2str(tm));

nd(find(nd == nd_min)) = [];

if length(nd) == 0

break

end 

end

%% 生成聚类图

y = pdist(a,'cityblock');      %求a的两两行向量之间的绝对值距离

yc = squareform(y);            %变换成距离方阵

z = linkage(y)                 %生成等级聚类树

[h,t] = dendrogram(z)          %绘制聚类树

T = cluster(z,'maxclust',3)    %把对象划分成3类，通过观察聚类数效果确定分类数目。%%%%分类数可自己根据实际情况修改。

for i  =1:3                    %3对应上一行的分类数目

tm = find(T == i);             %求第i类对象

tm = reshape(tm,1,length(tm)); %变成行向量

fprintf('第%d类的有%s\n',i,int2str(tm));  %显示分类结果

end