k-mean聚类算法_Matlab+聚类_k-mean聚类_K._K聚类_matlab聚类

function [ resX,resY, resZ,record] = FunK_mean3D( x,y,z,k ) % 功能： % 实现三维空间k-mean聚类算法 % 输入： % 三维数据，分别用x,y,z两个一维向量代表两个维度 % k 是分成的类别的数量 % 输出： % k行的两个矩阵 % 对应同样的第n行，存放着第n类的所有元素 % record: 记录着每一行的有效元素的个数 j = 1; % 下面是预分配一些空间 % seedX 和 seedY 中存放着所有种子 seedX = zeros(1,k); seedY = zeros(1,k); seedZ = zeros(1,k); oldSeedX = zeros(1,k); oldSeedY = zeros(1,k); oldSeedZ = zeros(1,k); resX = zeros(k,length(x)); resY = zeros(k,length(x)); resZ = zeros(k,length(x)); % 用来记录resX中每一行有效元素的个数 record = zeros(1,k); 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 seedX(i) = x(round(rand()*length(resX))); seedY(i) = y(round(rand()*length(resX))); seedZ(i) = z(round(rand()*length(resX))); % 为保证种子不重叠 if (i > 1 && seedX(i) == seedX(i-1) && seedY(i) == seedY(i-1) && seedZ(i) == seedZ(i-1)) i = i -1; % 重新产生一个种子 end end while 1 disp(['jack is here']) record(:) = 0; % 重置为零 resX(:) = 0; resY(:) = 0; resZ(:) = 0; for i = 1:length(x) % 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; for j = 2:k if (power(x(i)-seedX(distanceMin),2)+power(y(i)-seedY(distanceMin),2)+power(z(i)-seedZ(distanceMin),2))... > (power(x(i)-seedX(j),2) + power(y(i)-seedY(j),2)+power(z(i)-seedZ(j),2)) distanceMin = j; end end % 将本次元素点进行类别归并 resX(distanceMin,record(distanceMin)+1) = x(i); resY(distanceMin,record(distanceMin)+1) = y(i); resZ(distanceMin,record(distanceMin)+1) = z(i); record(distanceMin) = record(distanceMin) + 1; end oldSeedX = seedX; oldSeedY = seedY; oldSeedZ = seedZ; % 移动种子至其类中心 record for i = 1:k if record(i) == 0 continue; end seedX(i) = sum(resX(i,:))/record(i); seedY(i) = sum(resY(i,:))/record(i); seedZ(i) = sum(resZ(i,:))/record(i); 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([seedX == oldSeedX seedY == oldSeedY seedZ == oldSeedZ]) == 1 % 这句话所想表达的意思就是 if seedX == oldSeedX && seedY == oldSeedY break; end end maxPos = max(record); resX = resX(:,1:maxPos); resY = resY(:,1:maxPos); resZ = resZ(:,1:maxPos); end