谱聚类算法、K均值算法的matlab实现

采用matlab实现了k均值基本算法、谱聚类算法。里面有300个二维坐标作为待分类点。

function cluster_labels = k_means（data centers num_clusters）
%K_MEANS Euclidean k-means clustering algorithm.
%
%   Input    : data           : N-by-D data matrix where N is the number of data
%                               D is the number of dimensions
%              centers        : K-by-D matrix where K is num_clusters or
%                               ‘random‘ random initialization or
%                               [] empty matrix orthogonal initialization
%              num_clusters   : Number of clusters
%
%   Output   : cluster_labels : N-by-1 vector of cluster assignment
%
%   Reference: Dimitrios Zeimpekis Efstratios Gallopoulos 2006.
%              http://scgroup.hpclab.ceid.upatras.gr/scgroup/Projects/TMG/

%
% Parameter setting
%
iter = 0;
qold = inf;
threshold = 0.001;

%
% Check if with initial centers
%
if strcmp（centers ‘random‘）
  disp（‘Random initialization...‘）;
  centers = random_init（data num_clusters）;
elseif isempty（centers）
  disp（‘Orthogonal initialization...‘）;
  centers = orth_init（data num_clusters）;
end

%
% Double type is required for sparse matrix multiply
%
data = double（data）;
centers = double（centers）;

%
% Calculate the distance （square） between data and centers
%
n = size（data 1）;
x = sum（data.*data 2）‘;
X = x（ones（num_clusters 1） :）;
y = sum（centers.*centers 2）;
Y = y（: ones（n 1））;
P = X + Y - 2*centers*data‘;

%
% Main program
%
while 1
  iter = iter + 1;

  % Find the closest cluster for each data point
  [val ind] = min（P [] 1）;
  % Sum up data points within each cluster
  P = sparse（ind 1:n 1 num_clusters n）;
  centers = P*data;
  % Size of each cluster for cluster whose size is 0 we keep it empty
  cluster_size = P*ones（n 1）;
  % For empty clusters initialize again
  zero_cluster = find（cluster_size==0）;
  if length（zero_cluster） > 0
    disp（‘Zero centroid. Initialize again...‘）;
    centers（zero_cluster :）= random_init（data length（zero_cluster））;
    cluster_size（zero_cluster） = 1;
  end
  % Update centers
  centers = spdiags（1./cluster_size 0 num_clusters num_clusters）*centers;

  % Update distance （square） to new centers
  y = sum（centers.*centers 2）;
  Y = y（: ones（n 1））;
  P = X + Y - 2*centers*data‘;

  % Calculate objective function value
  qnew = sum（sum（sparse（ind 1:n 1 size（P 1） size（P 2））.*P））;
  mesg = sprintf（‘Iteration %d:\n\tQold=%g\t\tQnew=%g‘ iter full（qold） full（qnew））;
  disp（mesg）;

  % Check if objective function value is less than/equal to threshold
  if threshold >= abs（（qnew-qold）/qold）
    mesg = sprintf（‘\nkmeans converged!‘）;
    disp（mesg）;
    break;
  end
  qold = qnew;
end

cluster_labels = ind‘;


%-----------------------------------------------------------------------------
function init_centers = random_init（data num_clusters）
%RANDOM_INIT Initialize centroids choosing num_clusters rows of data at random
%
%   Input : data         : N-by-D data matrix where N is the number of data
%                          D is the 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2014-10-21 09:11  sc_test1\
     文件        3270  2014-09-26 19:32  sc_test1\circledata.mat
     文件        4309  2011-05-06 05:06  sc_test1\k_means.m
     文件        3109  2014-09-30 00:18  sc_test1\sc.m
     文件         423  2014-09-30 19:46  sc_test1\sc_test.m