ISODATA算法.pdf
版权申诉
128 浏览量
2022-06-11
16:01:09
上传
评论
收藏 120KB PDF 举报
摘要：ISODATA 算法是目前应用比较广泛的，通过引入参数而进行人机交互不断进行分裂
与合并的非监督分类算法。本文介绍了ISODATA基本原理与具体实现的过程，并用对参数
设定的影响进行了试验和分析。
关键词：ISODATA 非监督分类 算法 模式识别
一、原理介绍
Isodata，迭代自组织分析，通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制，当某两
类聚类中心距离小于某一阈值时，将它们合并为一类，当某类标准差大于某一阈值或其样本数目超过某一
阈值时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。如此，根据初始聚类中心和设定的
类别数目等参数迭代，最终得到一个比较理想的分类结果。
二、算法设计
第一步：将 个模式样本{ ,i=1,2,3,…, }读入，确定 C 个初始聚类中心和 6 个初始参数（K，θN，θc，θs，
L，I）。
第二步：将 N 个模式样本分给最近的聚类，假如 Dj=min(‖x-zj‖,i=1,2,…,), 即‖x-zj‖的距离最小，
则 x∈Sj。
第三步：如果 Sj 中的样本数 Nj<Θn,取消样本子集。
第四步：修正聚类中心值
j=1,2,…,
第五步：计算各聚类域 Sj 中诸聚类中心间的平均距离：
第六步：计算全部模式样本对其相应聚类中心的总平均距离：
第七步：判别分裂、合并及迭代运算等步骤：
①如迭代运算次数已达 I 次，即最后一次迭代，置 θc = 0,跳到第十一步，运算结束。
②如≤K/2，即聚类中心的数目等于或不到规定值的一半，则进入第八步，将已有的聚类分裂。
③如迭代运算的次数是偶次，或≥2K，不进行分裂处理，跳到第十一步；如不符合以上两个条件（即既
不是偶次迭代，也不是≥2K），则进入第八步，进行分裂处理。
分裂处理：
第八步：计算聚类样本距离的标准差向量：
第九步：求每一标准差向量{，σj=1,2, …，}中的最大分量，以{σj=1,2, …，}代表。
第十步：在任一最大分量集{σj=1,2, …，}中，如有>θS（该值给定），同时又满足以下二条件中之一：
(a) ，即 Sj 中样本总数超过规定值一倍以上，
（b）Nc≤K/2，
资源评论
