function [ res, record] = FunK_meanPolyD(data,k )
% 功能：
% 实现多维空间k-mean聚类算法
% 输入：
% data是d*n规格的矩阵，其中d代表维度，n代表样本的数量
% k 是分成的类别的数量
% 输出：
% res 是行数为(d*k), 列数为record中最大元素值
% 对于res的行数为d*k的解释：
% 1:d 是对应着第一类别元素
% d+1:2*d 是对应着第二类别元素
% ···
% d*(k-1)+1:d*k 是对应着第k类别元素
%
% record规格为1*k,记录着每一类别的有效元素的个数
j = 1;
% 下面是预分配一些空间
% seedX 和 seedY 中存放着所有种子
[h w] = size(data);
cnt = w; % 输入元素的数量
cntOfDimension = h; % d 中存放着本次处理数据的维度
%seed 中存放种子，每一行代表种子所在的一个维度，每一列是一个种子向量
seed = zeros(cntOfDimension,k);
oldSeed = zeros(cntOfDimension,k);
% 结果矩阵res中，数据存放规则：
% 以d行为一个单位，总共k个d行
% 第一个d行数据存放着第一类元素集合,其他同理
res = zeros(k*cntOfDimension,cnt);
% 用来记录resX中每一行有效元素的个数
record = zeros(1,k);
r = 0;
for i = 1:k % 产生k个随机种子, 注意： 随机种子是来自元素集合
t = round(rand()*cnt);
% 为保证种子不重叠
if i > 1 && t == r
i = i - 1;
continue;
end
seed(:,i) = data(:,t);
r = t;
end
while 1
record(:) = 0; % 重置为零
res(:) = 0;
for i = 1:cnt % 对所有元素遍历
% 下面是判断本次元素应该归为哪一类，这里我们是根据欧几里得距离进行类别判定
% k-mean算法认为元素应该归为距离最近的种子代表的类
distanceMin = 1; % distanceMin 中存放着最短欧几里得距离的种子点的下标
for j = 2:k
% 计算高维度的欧几里得距离
a = 0;
b = 0;
for row = 1:cntOfDimension
a = a + power(data(row,i)-seed(row,distanceMin),2);
b = b + power(data(row,i)-seed(row,j),2);
end
if a > b
distanceMin = j;
end
end
% 将本次元素点进行类别归并
row = (distanceMin-1)*cntOfDimension + 1;
res(row:row+cntOfDimension-1,record(distanceMin)+1) = data(:,i);
record(distanceMin) = record(distanceMin)+1;
end
%record
oldSeed = seed;
% 移动种子至其类中心
for col = 1:k
if record(col) == 0
continue;
end
% 计算新的种子位置
row = (col-1)*cntOfDimension + 1;
seed(:,col) = sum(res(row:row+cntOfDimension-1,:),2)/record(col);
end
% 如果本次得到的种子和上次的种子一致，则认为分类完毕。
if mean(seed == oldSeed) == 1
break;
end
end
maxPos = max(record);
res = res(:,1:maxPos);
end
