第四章 动态聚类.doc

第四章_动态聚类第四章用距离函数进行模式识别§4动态聚类基本思想:选初始聚类中心粗分是否合理Y矚慫润厲钐瘗睞枥庑赖賃軔朧碍鳝绢。N修正利用:欧式距离,重心距离1]K_means算法(K平均算法)类别数不变选定中心数K(类别数),设定K个中心样本划分:若,则,其中k表示第k次迭代修正中心判断是否合理:若,则收敛停止,否则,转2例:一堆数解:,的距离,进行分类{其余18个}4.(比较,,还要再划分)2.,3.,比较,还要再划分2.,3.,4.,收敛停止2]ISODATA(anizationDataAnalysis)聞創沟燴鐺險爱氇谴净祸測樅锯鳗鲮。特点: 1、出名 2、人机交互 3、经验型的 4、自适应性人为设定参数①K ——希望的类别数②——每个群至少拥有的样本(作用:去掉孤立点)③(分裂门限) 第i个分量的方差>,④(合并门限)两类中心距离,几种情况:(分裂门限)(合并门限)小大小易分类别数增加难合难分类别数基本不变难合大易分类别数振荡易合难分类别数减少易合⑤L——每次迭代合并的最大对数⑥I——最大迭代次数⑦Nc个中心的初始坐标(真实的群个数)(期望的群个数),,=-=1,2…=1,2,…,(群太少)goto8(分裂)若(群太多)或偶数次迭代,goto11(合并) ,求每个分量对中心点的标准偏差j=1,2,…,,i=1,2,….,n >而且(群太少)或者(群太松散了)或者>2(+1)(群太大了),则分裂,分裂后goto2. 分裂法:(以二维为例)=>,,,0<k<,i,j=1,2,…,,小的在前,共取L个[,,…,],且迭代次数+,是结束例:=2,=1,=1,=4,L=0,I=4,=1, 2.={~}=8 3.>,不丢弃 4. 5. 8.,9.=10.>且则分可K=,转22.={~},={~}=5,=33.,>., 8.,不合goto2=,=<,i=1,2,不分