模式识别c语言isodata算法,《模式识别-黄庆明》第二章（ISODATA算法实例）.doc

ISODATA算法实例：

此例中N 8，n 2。假设取初始值Nc 1，z1 1 x1 0 0 T，则运算步骤如下：

第一步：取K 2，θN 1，θS 1，θc 4，L 1，I 4

预选：K 预期的聚类中心数目；

θN 每一聚类域中最少的样本数目，若少于此数即不作为一个独立的聚类；

θS 一个聚类域中样本距离分布的标准差；

θc 两个聚类中心间的最小距离，若小于此数，两个聚类需进行合并；

L 在一次迭代运算中可以合并的聚类中心的最多对数；

I 迭代运算的次数。

第二步：因只有一个聚类中心，因此S1 x1, x2, …, x8 ，N1 8。

第三步：因N1 θN ，无子集可抛。

第四步：修改聚类中心

第五步：计算模式样本与聚类中心间的平均距离

第六步：计算全部模式样本和其对应聚类中心的总平均距离

第七步：因不是最后一次迭代，且Nc K/2，进入第八步

第八步：计算S1中的标准差向量

第九步：σ1中的最大分量是1.99，因此σ1max 1.99。

第十步：因σ1max θS 且Nc K/2，可将z1分裂成两个新的聚类。设，则

为方便起见，将和表示为z1和z2，Nc加1，返回第二步。

第二步(返回1)：新的样本集为

S1 x4, x5, …, x8 ，N1 5

S2 x1, x2, x3 ，N2 3

第三步(返回1)：因N1 θN 且N2 θN，无子集可抛。

第四步(返回1)：修改聚类中心

第五步(返回1)：计算模式样本与聚类中心间的平均距离，j 1,2

第六步(返回1)：计算全部模式样本和其对应聚类中心的总平均距离

第七步(返回1)：因是偶数次迭代，满足第七步的条件3，进入第十一步

第十一步：计算聚类对之间的距离

第十二步：比较D12 与θc ，D12 θc

第十三步：从上一步结果看出，聚类中心不发生合并。

第十四步：因不是最后一次迭代运算，判断是否需要修改给定的参数。

已获得所要求的聚类数目；

聚类之间的分离度大于类内样本分离的标准差；

每一聚类子集的样本数目都具有样本总数中足够大的比例。

因此，可认为聚类中心具有代表性，返回第二步。

第二~六步(返回2)：与上一次迭代计算结果相同。

第七步(返回2)：没有一种情况可满足，进入第八步。

第八步(返回2)：计算S1 x4, x5, …, x8 和S2 x1, x2, x3 的标准差

第九步(返回2)：σ1max 0.75，σ2max 0.82

第十步(返回2)：分裂条件不满足，进入第十一步。

第十一步(返回2)：与上一次迭代的结果相同，计算得到

第十二、十三步(返回2)：与上一次迭代的结果相同。

第十四步(返回2)：无新的内容加入本次迭代中，返回第二步。

第二~六步(返回3)：与上一次迭代计算结果相同。

第七步(返回3)：因是最后一次迭代，置θc 0，转至第十一步。

第十一步(返回3)：同上一次迭代，

第十二步(返回3)：与上一次迭代的结果相同。

第十三步(返回3)：无合并发生。

第十四步(返回3)：最后一次迭代，算法结束。