快速近邻法分类matlab程序

% ==========================快速近邻算法=============================== % ================聚类过程所使用的主要变量============================== % X： 随机产生的样本集 % l: 划分的子集数目 % L: 水平数目 % Xp: 节点p对应的样本子集 % Mp: 各类的均值 % Rp: 从Mp到Xi的最远距离 % =============树搜索过程所使用的重要变量================================= % CurL: 当前水平 % p: 当前结点 % CurTable: 当前目录表中的子样本集 % CurPinT: 在当前目录表中的子样本结点 % RpCur: 当前目录表中结点p对应的Rp % x: 待判样本 % ===================================================================== % 实验结果表明，该算法在聚类完成之后，进行树搜索，速度的确比一般的近邻方法快 % 当时由于聚类要消耗大量的时间，因此总速度不如一般的近邻方法 % ===================================================================== % Copyright Wang Chuanting. % $Revision: 1.0 $ $Date: 2008/05/09 09:40:34 $ % ====================================================================== % ====================================================================== % －－－首先进行聚类－－－ clear,close all; % tic X = [randn(200,2)+ones(200,2);... randn(200,2)-2*ones(200,2);... randn(200,2)+4*ones(200,2);]; % －－－每个水平均划分为l个子集－－－ [row,col]=size(X); all_idx=0;L=3;l=3; %计算总节点的数目 for i=1:L all_idx=all_idx+l^i; end Xp=cell(all_idx,1); Mp=zeros(all_idx,col); Rp=zeros(all_idx,1); p=1; for i=1:L if i==1 [IDX,C,sumd,D] = kmeans(X,l); for j=1:l Xp(p)={X((IDX==j),:)}; Mp(p,:)=C(j,:); Rp(p)=max(D((IDX==j),j)); p=p+1; end else endk=p-1;begink=endk-l^(i-1)+1; for k=begink:endk [IDX,C,sumd,D] = kmeans(Xp{k,1},l); X1=Xp{k,1}; for j=1:l Xp(p)={X1((IDX==j),:)}; Mp(p,:)=C(j,:); Rp(p)=max(D((IDX==j),j)); p=p+1; end end end end % ==================================================================== % －－－进行树搜索－－－ tic x=randn(1,2);%待判样本 B=inf;CurL=1;p=0;TT=1; while TT==1 %步骤2 Xcurp=cell(1); CurTable=cell(l,1); CurPinT=zeros(l,1); Dx=zeros(l,1); RpCur=zeros(l,1); %当前节点的直接后继放入目录表 for i=1:l CurTable(i,1)=Xp(i+p*l,1); CurPinT(i)=i+p*l; Dx(i)=norm(x-Mp(i+p*l,:))^2; RpCur(i)=Rp(i+p*l); end while 1 %步骤3 [rowT,colT]=size(CurTable); for i=1:rowT if Dx(i)>B+RpCur(i)+eps%从目录表中去掉当前节点p CurTable(i,:)=[]; CurPinT(i)=[]; Dx(i)=[]; RpCur(i)=[]; break; end end [CurRowT,CurColT]=size(CurTable); if CurRowT==0 CurL=CurL-1;p=floor((p-1)/3); if CurL==0 TT=0; break; else %转步骤3 end elseif CurRowT>0 [Dxx,Dxind]=sort(Dx,'ascend'); p1=CurPinT(Dxind(1)); p=p1; %从当前目录表去掉p1 for j=1:CurRowT if CurPinT(j)==p1 Xcurp(1,1)=CurTable(j,1); CurTable(j,:)=[]; CurPinT(j)=[]; CurD=Dx(j);%记录D(x,Mp) Dx(j)=[]; RpCur(j)=[]; break; end end if CurL==L XcurpMat=cell2mat(Xcurp); [CurpRow,CurpCol]=size(XcurpMat); CurpMean=Mp(p,:); for k=1:CurpRow Dxi=norm((XcurpMat(k,:)-CurpMean))^2; if CurD>Dxi+B+eps else Dxxi=norm((x-XcurpMat(k,:)))^2; if Dxxi<B+eps B=Dxxi;Xnn=XcurpMat(k,:); end end end else CurL=CurL+1; break; end end end end B,Xnn,NN=find(X(:,1)==Xnn(1)) time1=toc % ==================================================================== figure, plot(X(1:200,1),X(1:200,2),'m.') hold on,plot(X(201:400,1),X(201:400,2),'b.') hold on,plot(X(401:600,1),X(401:600,2),'g.') hold on,plot(Xnn(1),Xnn(2),'kx ','MarkerSize',10,'LineWidth',2) hold on,plot(x(1),x(2),'r+','MarkerSize',10,'LineWidth',2) legend('Cluster 1','Cluster 2','Cluster 3','NN','x','Location','NW')