本站原创这篇比较好论文范文属于参考文献免费优秀学术论文范文,关于比较好硕士学位论文,与基于Matlab环境下的K均值聚类算法相关论文文献综述范文。适合比较好及样本及参考文献方面的的大学硕士和本科毕业论文以及比较好相关开题报告范文和职称论文写作参考文献资料下载。
摘 要：为了将模式识别方法与图像处理技术相结合,掌握利用 均值聚类算法进行图行处理,往往能得到比较好的处理结果,本文在matlab环境下,对有效图像点进行K均值聚类算法,与传统K近邻聚类方法比照,得出了比较好的实验效果.
关 键 词 ：K均值聚类算法 matlab 图像
引言
k-means算法,也被称为k-平均或k-均值,是一种得到最广泛使用的聚类算法. 它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点,算法的主要思想是通过迭代过程把数据集划分为不同的类别,使得评价聚类性能的准则函数达到最优,从而使生成的每个聚类内紧凑,类间独立.
1.K-均值聚类的分析
K-均值聚类的目的是将数据拆成K个不同的群组,该算法的特点是运算结果受到所选择的聚类中心数目、初始位置、模式样本的几何性质以及读入次序的影响.
具体的算法如下：
1.在n维空间中随机生成K个中心点
2.将每个数据项分配给与其距离最近的中心点.
3、将中心点位置移动到所有分配给它的数据项的中心.如果中心点位置没有改变,则结束算法,否则回到第二步.
2.K均值聚类算法与K近邻算法的区别
K近邻算法的基本思想是是使体积为数据的函数,而不是样本N的函数.K-最近邻也是一种用来进行预测的算法.它的工作原理是接受一个用以进行数值预测的新数据项,然后将它与一组已经赋过值的数据项进行比较.算法会从中找出与待预测数据最为接近的K项,并且这K项其求均值以得到最终的结果.优点：能利用复杂函数进行数值预测,又简单易懂,并且我们可以很容易在算法中实现查看用哪些近邻进行预测.缺点：每次进行预测,它都会使用所有的样本,这会导致效率的低下.因此,寻找缩放因子是一种很乏味的事情.
3.K均值聚类法分为如下几个步骤
一、初始化聚类中心
1.根据具体问题,凭经验从样本集中选出C个比较合适的样本作为初始聚类中心.
2.用前C个样本作为初始聚类中心.
3.将全部样本随机地分成C类,计算每类的样本均值,将样本均值作为初始聚类中心.
二、初始聚类
1.按就近原则将样本归入各聚类中心所代表的类中.
2、取一样本,将其归入与其最近的聚类中心的那一类中,重新计算样本均值,更新聚类中心.然后取下一样本,重复操作,直至所有样本归入相应类中.
三、判断聚类是否合理
采用误差平方和准则函数判断聚类是否合理,不合理则修类.循环进行判断、修改直至达到算法终止条件.
4.实验步骤及程序
结论
通过本次matlab环境实验下的K均值聚类分析,我们得出了如下结论,K均值分析法能很好的区分所需要的聚类点,对于我们选择样本点有很好的事例作用.当我们选定一个目标时,我们很容易的找出目标样本点对应仿真图形中的位置,以及聚类点的对应图形中的比例.