svm完成聚类功能的小程序

% > -------------------------
% > Support Vector Clustring  
%> 滕晓云2008.10
% > -------------------------
% > A non-parametric clustring algorithm based on support vector 
% > approach.
% >
% > Reference: 
% > A.Ben-HurD.HornH.T.Siegelmann and V.Vapnik.
% > Support Vector Clustring.
% >
% > Parameters:
% > 
% > example - integer number coding the wanted Sample set.
% > C - Defines the fraction of points which are allowed
% > to become outliers.
% > （p = 1/CN where N is the the total sampels number）.
% > q...each q value is a different width of the gaussian kernel.

clc;
clear;


%> 自己设置的参数 
example_set=5;
C=1;
q=1;
% tem = rand（110）;
% 
% Samples = [2+tem2+tem12+tem12+tem;2+tem12+tem2+tem12+tem];
% 
% % > Plot
% 
% 
% nof_samples = size（Samples2）;
% classification = zeros（nof_samples1）;

%  Samples from a given example set: 
tem = rand（15）;
Samples = [2+tem2+tem2+tem2+tem6+tem6+tem6+tem6+tem10+tem10+tem10+tem10+tem14+tem14+tem14+tem14+tem;2+tem6+tem10+tem14+tem2+tem6+tem10+tem14+tem2+tem6+tem10+tem14+tem2+tem6+tem10+tem14+tem];
nof_samples = size（Samples2）;
[attrN] = size（Samples）;
%  Preforms Support Vector Clustering 
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
% > Calculates the Kernel Matrix here use Gaussian kernel
K = zeros（N）;

for i = 1:N
for j = 1:N
% > Calculate the Gaussian Kernel for each data points‘ pair.
K（ij） = exp（-q * （Samples（:i）-Samples（:j））‘ * （Samples（:i）-Samples（:j）））;
end
end

% > Finds the Lagrangian multipliers for the given  constrains%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
A = ones（1N）; 
b = 1;
low_bound = zeros（N1）;
up_bound = ones（N1） * C;
beta = quadprog（2*K -diag（K）[][] A b low_bound up_bound）; 

%  > Finds the support vectors and outliers%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

BSV = zeros（attrN）;
SV = zeros（attrN）;
nof_BSV = 0;
nof_SV = 0;

for i = 1:N 

% > BSV - outliers （ only when beta equlas C - the upper bound）
if beta（i） == C;
nof_BSV = nof_BSV + 1; 
BSV（: nof_BSV） = Samples（:i）;

% > SV - beta is between 0 and C
elseif beta（i） > 1e-6 
%     > epsilon
nof_SV = nof_SV + 1;
SV（:nof_SV） = Samples（:i）;
end

end

% > Corrects the matrics sizes
BSV = BSV（: 1:nof_BSV）;
SV = SV（:1:nof_SV）;

% > Calcultes the radius of the sphere and the quadratic part of the distance equation from the sphere‘s center. 
distance = zeros（nof_SV1）; 
quad = 0;
for i = 1:N
for j = 1:N
quad = quad + beta（i） * beta（j） * K（ij）;
end
end

for i = 1:nof_SV
    
k = zeros（N1）;
for j = 1:N
k（j） = exp（-q * （Samples（:j）-SV（:i））‘ * （Samples（:j）-SV（:i）））;
end

kdiag = 1;   %%%%%其实都是exp（-q * （SV（:i）-SV（:i））‘ * （SV（:i）-SV（:i）））;
distance（i） = kdiag - 2*beta‘*k + quad;

end 

R = max（distance）;
% Finds the clusters assignments%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
adjacent =