% 定义一个名为 specclustering 的函数，输入参数为数据矩阵 data，输出为两个聚类簇 cluster1 和 cluster2
function [cluster1,cluster2]=func_speccluster(data)
dim=size(data,2);% 获取数据矩阵的维度（列数）
W=zeros(dim); % 初始化相似度矩阵 W，大小为 dim x dim
% 计算每一对特征向量之间的相似度，并填充到 W 矩阵中
for i=1:dim
for j=1:dim
% 使用高斯核函数计算相似度，指数衰减因子为 0.1
W(i,j)=exp(-(norm(data(:,i)-data(:,j))^2)*0.1);
end
end
%初始化度矩阵 D，大小也为 dim x dim
D=zeros(dim);
for i=1:dim % 计算每个节点的度（邻居节点相似度之和）
sum=0;
for j=1:dim
sum=sum+W(i,j);
end
D(i,i)=sum;
end
L=D-W; % 计算拉普拉斯矩阵 L = D - W
K=0;
for i=1:dim% 计算拉普拉斯矩阵 L 的迹
K=K+L(1,i);
end
% 计算归一化拉普拉斯矩阵 P
P=(D^-0.5)*L*(D^-0.5);
% 计算归一化拉普拉斯矩阵 P 的特征值和特征向量
[V,B]=eig(P);
% 对特征值按升序排序，并获取排序后的特征向量对应的列索引
[~, ind]=sort(diag(B),'ascend');
% 排序后的特征向量
V2=V(:,ind);
% 初始化两个聚类簇为空
cluster1=[];
cluster2=[];
for i=1:dim% 根据第二特征向量的正负性将特征向量分配到两个不同的聚类簇
if(V2(i,2)<0)
cluster1=[cluster1 data(:,i)];% 将特征向量添加到 cluster1
else
cluster2=[cluster2 data(:,i)]; % 将特征向量添加到 cluster2
end
end
end
