logo资料库

ISODATA算法.doc

发布时间：2022-06-08 发布人：admin 分类：说明书 资料大小：0.10M 资料格式：doc 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
     算法： 第一步：输入 N 个模式样本{xi, i = 1, 2, …, N} 预选 Nc 个初始聚类中心 ,z,z{ 2 1  }z cN ，它可以不等于 所要求的聚类中心的数目，其初始位置可以从样本中任 意选取。 预选：K = 预期的聚类中心数目； θN = 每一聚类域中最少的样本数目，若少于此 数即不作为一个独立的聚类； θS = 一个聚类域中样本距离分布的标准差； θc = 两个聚类中心间的最小距离，若小于此数， 两个聚类需进行合并； L = 在一次迭代运算中可以合并的聚类中心的 最多对数； I = 迭代运算的次数。 第 二 步 ： 将 N 个 模 式 样 本 分 给 最 近 的 聚 类 Sj ， 假 若 D j  }N,2,1i,zxmin{ c   i ，即||x-zj||的距离最小， 则 jSx  。 第三步：如果 Sj 中的样本数目 Sj<θN，则取消该样本子集，此时 Nc 减去 1。 （以上各步对应基本步骤（1））
    第四步：修正各聚类中心 z j 1 N   Sxj  j ,x ,2,1j  N, c 第五步：计算各聚类域 Sj 中模式样本与各聚类中心间的平均距离 D j   1 N j Sx  j ,zx j  ,2,1j  N, c 第六步：计算全部模式样本和其对应聚类中心的总平均距离 1D  N N  1j  jDN j （以上各步对应基本步骤（2）） 第七步：判别分裂、合并及迭代运算 1. 若迭代运算次数已达到 I 次，即最后一次迭代，则置θc =0， 转至第十一步。 2. 若 N c  ，即聚类中心的数目小于或等于规定值的一半，则 K 2 转至第八步，对已有聚类进行分裂处理。 3. 若迭代运算的次数是偶数次，或 N c  ，不进行分裂处理， K2 转 至 第 十 一 步 ； 否 则 （ 即 既 不 是 偶 数 次 迭 代 ， 又 不 满 足 N c  ），转至第八步，进行分裂处理。 K2 （以上对应基本步骤（3））
    第八步：计算每个聚类中样本距离的标准差向量  nj   j2 j1 ( , j , , T ) 其中向量的各个分量为  ij  1 N j jN  1k  x( ik  2 )z ij 式中， i = 1, 2, …, n 为样本特征向量的维数，j = 1, 2, …, Nc 为聚类数，Nj 为 Sj 中的样本个数。 第九步：求每一标准差向量{σj, j = 1, 2, …, Nc}中的最大分量，以 {σjmax, j = 1, 2, …, Nc}代表。 第十步：在任一最大分量集{σjmax, j = 1, 2, …, Nc}中，若有σjmax> θS ，同时又满足如下两个条件之一： 1. D j  和 Nj > 2(θN + 1)，即 Sj 中样本总数超过规定 D 值一倍以上， 2. N c  K 2 则将 zj 分裂为两个新的聚类中心  jz 和   jz 中对应于σjmax 的分量加上 kσjmax，其中 jz ，且 Nc 加 1。 jz ；  1k  0 中对应于σjmax 的分量减去 kσjmax。 如果本步骤完成了分裂运算，则转至第二步，否则继续。 （以上对应基本步骤（4）进行分裂处理）
    第十一步：计算全部聚类中心的距离 Dij = || zi - zj ||，i = 1, 2, …, Nc-1 ，j =i+1, …, Nc。 第十二步：比较 Dij 与θc 的值，将 Dij <θc 的值按最小距离次序 递增排列，即 ,D,D{ i j 22 ji 11 }D, j LL i  D 式中， D  第十三步：将距离为 kk j    D 。 ji 22 ji 11 iD 的两个聚类中心 kiz 和 kjz 合并，得新的 j LL i 中心为： z * k  1  N j k N i k zN[ i k  i k ]zN j k j k ，k = 1, 2, …, L 式中，被合并的两个聚类中心向量分别以其聚类域内 的样本数加权，使 * kz 为真正的平均向量。 （以上对应基本步骤（5）进行合并处理） 第十四步：如果是最后一次迭代运算（即第 I 次），则算法结束； 否则，若需要操作者改变输入参数，转至第一步；若 输入参数不变，转至第二步。 在本步运算中，迭代运算的次数每次应加 1。 [算法结束]
    void CProcess::DHISODATA(unsigned char* dataN,int * imagelabel,int row,int col,int mC, int mKc, int mKn, double mKs, double mKd, int mL, int mI) { // // // // // int N; N=row*col; //将各像素点分配到相应的灰度级中 //int** ClusterLevel;//存储各类包含的灰度级 int GrayLevelNum[256]={0};//存储各灰度级的点个数 //int* ClusterLevelNum;//存储各类包含的灰度级数 ClusterLevel=new int*[20]; for (int i=0;i<20;i++) { ClusterLevel[i]=new int[256]; } for (int i=0;i=0;i--) { if (GrayLevelNum[i]) { maxGray=i; break; } }
    // // // double c; c=(maxGray-minGray)*1.0/(mKc+1); for (int i=1;i
    距离 int m_AverDist; m_AverDist=0;//存储总平均距离 for (int i=0;i
    { } int level; level=Cluster[i].at(j); levellabel[level]=i; } CString num; num.Format(_T("最终聚类数：%d"),mKc); AfxMessageBox(num); Cluster.clear(); for (int i=0;i
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料