Kmean、K均值聚类无监督matlab算法

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