Linux实验1

4．实验体会 通过实验我学会了使用 matleb 的基本用法，并且懂得了聚类算法的实现。
不 教师
日
优 良 中 及 及 签名
期
格格
了解 k-means 算法，熟悉 matleb 的具体用法，并用实现 k-means 算法的实例。
2．实验原理
聚类算法，聚类算法是给一大堆原始数据，然后通过算法将其中具有相似特征的数据聚为一类。
这里的 k-means 聚类，是事先给出原始数据所含的类数，然后将含有相似特征的数据聚为一个类中。
所有资料中还是 Andrew Ng 介绍的明白。
首先给出原始数据{x1,x2,...,xn}，这些数据没有被标记的。
初始化 k 个随机数据 u1,u2,...,uk。这些 xn 和 uk 都是向量。
根据下面两个公式迭代就能求出最终所有的 u,这些 u 就是最终所有类的中心位置。
公式一：
意思就是求出所有数据和初始化的随机数据的距离，然后找出距离每个初始数据最近的数据。 公式二：
江南大学物联网工程学院实验报告
课程名称 《模式识别程序设计》 实验名称 基于 matleb k-means 算法 实验日期 2016- 11-10
班级 计科 1305 姓名 游思睿
பைடு நூலகம்学号 1030413529
实验报告要求 1．实验目的 2．实验内容 3．实验步骤 4．运行情况 5．实验体会
1．实验目的
%显示数据 plot3(data1(:,1),data1(:,2),data1(:,3),'+'); hold on; plot3(data2(:,1),data2(:,2),data2(:,3),'r+'); plot3(data3(:,1),data3(:,2),data3(:,3),'g+'); grid on;
意思就是求出所有和这个初始数据最近原始数据的距离的均值。 然后不断迭代两个公式，直到所有的 u 都不怎么变化了，就算完成了。 3．实验步骤
clear all; close all; clc;
%第一类数据 mu1=[0 0 0]; %均值 S1=[0.3 0 0;0 0.35 0;0 0 0.3]; %协方差 data1=mvnrnd(mu1,S1,100); %产生高斯分布数据
%%第二类数据 mu2=[1.25 1.25 1.25]; S2=[0.3 0 0;0 0.35 0;0 0 0.3]; data2=mvnrnd(mu2,S2,100);
%第三个类数据 mu3=[-1.25 1.25 -1.25]; S3=[0.3 0 0;0 0.35 0;0 0 0.3]; data3=mvnrnd(mu3,S3,100);
%三类数据合成一个不带标号的数据类 data=[data1;data2;data3]; %这里的 data 是不带标号的
%k-means 聚类 [u re]=KMeans(data,3); %最后产生带标号的数据，标号在所有数据的最后，意思就是数据再加一维度 [m n]=size(re);
%最后显示聚类后的数据 figure; hold on; for i=1:m
if re(i,4)==1 plot3(re(i,1),re(i,2),re(i,3),'ro');
elseif re(i,4)==2 plot3(re(i,1),re(i,2),re(i,3),'go');
else plot3(re(i,1),re(i,2),re(i,3),'bo');
end end grid on;