《模式识别原理、应用及实现》 课件 5.4K均值聚类算法_第1页
《模式识别原理、应用及实现》 课件 5.4K均值聚类算法_第2页
《模式识别原理、应用及实现》 课件 5.4K均值聚类算法_第3页
《模式识别原理、应用及实现》 课件 5.4K均值聚类算法_第4页
《模式识别原理、应用及实现》 课件 5.4K均值聚类算法_第5页
已阅读5页，还剩6页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

5.4动态聚类算法武汉理工大学基本思想两种常用算法：*K-均值算法(或C-均值算法)*迭代自组织的数据分析算法(ISODATA,iterativeself-organizingdataanalysistechniquesalgorithm)

判断合理性选初始中心聚类合理不合理输出修改K-均值算法K-均值算法的聚类准则：聚类中心的选择应使准则函数

极小，即使

的值极小。

基于使聚类准则函数最小化，准则函数：聚类集中每一样本点到该类中心的距离平方和。对于第

个聚类集，准则函数定义为：第

个聚类集（域），聚类中心为

；

：第

个聚类集

中所包含的样本个数。对所有

个模式类有应有

即

可解得上式表明，

类的聚类中心应选为该类样本的均值。1.算法描述括号内序号：迭代运算的次序号。（1）任选

个初始聚类中心：Z1(1)，Z2(1)，…，ZK(1)

K-均值算法（2）按最小距离原则将其余样品分配到

个聚类中心中的某一个，即：若，则注意：

——迭代运算次序号；

——聚类中心的个数。

：第

类的样本数。（3）计算各个聚类中心的新向量值：（4）如果，则回到（2），将模式

样本逐个重新分类，重复迭代计算。这里：分别计算

个聚类中的样本均值向量，故称-均值算法。，算法收敛，计算完毕。如果K-均值算法聚类过程中，聚类中心位置或个数发生变化。“动态”聚类法？2.算法讨论结果受到所选聚类中心的个数和其初始位置，以及模式样本的几何性质及读入次序等的影响。实际应用中需要试探不同的K值和选择不同的聚类中心起始值。K-均值算法例2.3：已知20个模式样本如下，试用K-均值算法分类。解：①取K=2，并选：②计算距离，聚类：：

：K-均值算法：

：

……，可得到：③计算新的聚类中：④判断：，故返回第②步。K-均值算法②从新的聚类中心得：：┋：有：③计算聚类中心：K-均值算法④返回第②步，以，

为中心进行聚类。②以新的聚类中心分类，求得的分类结果与前一次迭代结果相同：③计算新聚类中心向量值，聚类中心与前一次结果相同，即：④，故算法收敛，得聚类中心为结果图示：K-均值算法图2.10K-均值算法聚类结果X1X4X3X5X8X9X7X10X2X6x1x2135

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论