实验1 最大最小距离法

实验一 最大最小距离法
一．实验目的
本实验的目的是使学生了解最大最小距离法聚类方法，掌握最大最小距离聚类分析法的基本原理，培养学生实际动手和思考能力，为数据分析和处理打下牢固基础。

二．最大最小距离聚类算法
该算法以欧氏距离为基础，首先辨识最远的聚类中心，然后确定其他的聚类中心，直到无新的聚类中心产生。

最后将样本按最小距离原则归入最近的类。

例：样本分布如图所示。

最大最小距离聚类算法步骤如下：
① 给定θ，10<<θ，并且任取一个样本作为第一个聚合中心，11x Z =。

② 寻找新的集合中心：
计算其它所有样本到1Z 的距离1i D ：
若}{max 11i i
k D D =，则取k x 为第二个聚合中心2Z ，62x Z =。

计算所有样本到1Z 和2Z 的距离1i D 和2i D ：
若)},max{min(21i i l D D D =，n i ,....,2,1=，并且12D D l ⋅>θ，12D 为1Z 和2Z 间距离，则取l x 为第三个集合中心3Z ，73x Z =。

【注意：∑=-=
-=d
i i
i i z
x Z x D 1
21
11||||||，
||||22Z x D i i -=】
如果3Z 存在，则计算)},,max{min(321i i i j D D D D =，n i ,....,2,1=，若12D D j ⋅>θ，则建立第四个聚合中心。

依次类推，直到最大最小距离不大于12D ⋅θ时，结束寻找聚合中心的计算。

注意7x 所在第列，29在),min(21i i D D 中为最大的，而且8029⋅>=θl D ，一
般取2
1
=
θ。

所以，73x Z =。

这里的例中只有三个集合中心，11x Z =，62x Z =，73x Z =。

③ 按最近邻原则把所有样本归属于距离最近的聚合中心，得： 1431},,{Z x x x ∈，
262},{Z x x ∈，3109875},,,,{Z x x x x x ∈。

④ 按照某聚类准则考查聚类结果，若不满意，则重选θ，第一个聚合中心1Z ，返回到②，直到满意，算法结束。

该算法的聚类结果与参数θ和起始点1Z 的选取关系重大。

若无先验样本分布知识，则只有用试探法通过多次试探优化，若有先验知识用于指导θ和1Z 选取，则算法可很快收敛。

三．实验内容
见右图所示，为二维点集。

四．实验步骤
1、提取分类特征，确定特征值值域，确定特征空间；
2、编写聚类程序；
3、将所提取的样本的加以聚类；
4、用误差平方和准则（也可选用其他准则）加以评价，直到满意为止。

sample=[0 0;3 8;2 2;1 1;5 3;4 8;6 3;5 4;6 4;7 5];
[N,m]=size(sample);
for i=1:N
pattern(i).feature=sample(i,:);
pattern(i).category=0;
end
center(1).feature=pattern(1).feature;
center(1).index=1;
center(1).patternNum=1;
pattern(1).category=1;
index=0;
maxdis=0;
for i=1:N
dis=sqrt((pattern(i).feature-center(1).feature)*(pattern(i).feature-c enter(1).feature)');
if dis>maxdis
maxdis=dis;
index=i;
end
end
center(2).feature=pattern(index).feature;
center(2).index=2;
pattern(index).category=2;
centerNum=2;
tag=1;
while tag
tag=0;
max=0;
index=0; %¼Ç¼µ½ÖÐÐĵãСÖÐÈ¡´ó´ïµ½×î´ó¾àÀëµÄµã
for i=1:N
min=inf;
for j=1:centerNum
dis=sqrt((pattern(i).feature-center(j).feature)*(pattern(i).feature-c enter(j).feature)');
if dis<min
min=dis;
end
end% inner for j
if max<min
max=min;
index=i; % µ±Ç°µ½ÖÐÐĵãСÖÐÈ¡´ó´ïµ½×î´ó¾àÀëµÄµã end
end% outer for i
if max>maxdis/3 %ÐγÉеÄÖÐÐÄ
centerNum=centerNum+1;
center(centerNum).feature=pattern(index).feature;
center(centerNum).index=centerNum;
tag=1;
else
tag=0; %ûÓÐеÄÖÐÐÄ
end% if
end% while
for i=1:centerNum
center(i).patternNum=0;
end
for i=1:N
min=inf;
index=0;
for j=1:centerNum
dis=sqrt((pattern(i).feature-center(j).feature)*(pattern(i).feature-c enter(j).feature)');
if dis<min
min=dis;
index=j;
end
end% inner for j
pattern(i).category=index;
center(index).patternNum=center(index).patternNum+1;
end% outer for i
disp('ÏÔʾÖÐÐÄ£º')
for i=1:centerNum
fprintf('%d center: ',center(i).index)
disp(center(i).feature)
fprintf('%d center contains %d samples\n',i,center(i).patternNum) end
disp('ÏÔʾÑù±¾µÄ¾ÛÀࣺ')
for i=1:N
fprintf('%d pattern type: %d\n',i,pattern(i).category)
disp(pattern(i).feature)
end。