下午我在实验室挥汗如雨的工作，某君拿着一份东南大学的学报找到我，问我能不能在Matlab里实现资料中的那个聚类算法，我看了一下，觉得这个算法不适合使用Matlab实现，或者说我不太会在Matlab中实现这样的算法，但是这段时间一直在使用Matlab，其它语言相对生疏了，且Matlab这种解释执行的环境比较适合调试，开发速度肯定比C快多了，所以还是试着做了一下。 简略地看了一下学报中的这篇文章，算法叫做广度优先邻居搜索的聚类算法。里面有几个定义： 一、数据矩阵。这是一个m行2列的矩阵，行数 m=待分类的元素个数，第一列代表元素横坐标，第二列代表元素纵坐标； 二、相似度矩阵 simiR。这是一个归一化了的矩阵，simiR(a,b)代表元素a和 b的相似度，相似度越大越相似。该矩阵是一个对称，且对角线元素为 1的矩阵； 三、邻居门限 r。如果有两个元素 a,b，且simiR(a,b)>r，则这两个元素是邻居； 四、类门限 lambda。类A中有n个元素，有一个待分类的元素 k，若类A中有超过(lambda*100)%个元素是k的邻居，则 k属于类A； 五、广度优先邻居搜索。即搜索某个元素的所有邻居，然后分别搜索每个邻居的所有邻居，依此； 使用广度优先，正好我前几天看了一个广度优先抓取网页的Python程序，马上就能想起（参见《用Python写一个小小的爬虫程序》）。 广度优先的典型算法就是使用队列：找出队首的元素的所有邻居，把它们从队尾压入，然后将队首弹出，非常方便。 如果把互为邻居的元素用无向线段相连，则所有的元素构成一个非连通图，需要多次调用广度优先搜索才能完成所有元素的分类。 下面给出代码（Matlab7.0.1）： createSimiR.m 这个函数不是我写的，是某君给我的生成测试数据的代码中的函数，如果哪位看客知道这段代码的出处，请及时通知我，我会在文章中注明出处。 生成归一化相似度矩阵的函数，参数为待分类数据，返回值为归一化相似度矩阵。 function simiR=createSimiR(INPUTDATA) Xk=mean(INPUTDATA); %列均值 Sk=var(INPUTDATA); %列方差 numrows=size(INPUTDATA,1); %INPUTDATA行数 for i=1:numrows INPUTDATA(i,:)=(INPUTDATA(i,:)-Xk)./Sk; %标准差标准化 end for i=1:numrows for j=1:2 DATAFORCLUS(i,j)=(INPUTDATA(i,j)-min(INPUTDATA(:,j)))... /(max(INPUTDATA(:,j))-min(INPUTDATA(:,j))); %极值标准化 end end %--------相似矩阵----------% for i=1:numrows for j=1:numrows simiR(i,j)...
