如果對你有幫助，請下載使用！如果對你有幫助，請下載使用！#有關k-均值聚類算法的理解1.K-均值聚類算法的歷史：聚類分析作為一種非監(jiān)督學習方法，是機器學習領域中的一個重要的研究方向，同時，聚類技術也是數(shù)據(jù)挖掘中進行數(shù)據(jù)處理的重要分析工具和方法。1967年MacQueen首次提出了K均值聚類算法（K-meanS算法）。到目前為止用于科學和工業(yè)應用的諸多聚類算法中一種極有影響的技術。它是聚類方法中一個基本的劃分方法，常常采用誤差平方和準則函數(shù)作為聚類準則函數(shù)迄今為止，很多聚類任務都選擇該經(jīng)典算法，K-meanS算法雖然有能對大型數(shù)據(jù)集進行高效分類的優(yōu)點，但K-means算法必須事先確定類的數(shù)目k,而實際應用過程中，k值是很難確定的，并且初始聚類中心選擇得不恰當會使算法迭代次數(shù)增加，并在獲得一個局部最優(yōu)值時終止,因此在實際應用中有一定的局限性。半監(jiān)督學習是近年來機器學習領域的一個研究熱點,已經(jīng)出現(xiàn)了很多半監(jiān)督學習算法,在很多實際應用中,獲取大量的無標號樣本非常容易,而獲取有標簽的樣本通常需要出較大的代價。因而,相對大量的無標簽樣本,有標簽的樣本通常會很少。傳統(tǒng)的監(jiān)督學習只能利用少量的有標簽樣本學習,而無監(jiān)督學習只利用無標簽樣本學習。半監(jiān)督學習的優(yōu)越性則體現(xiàn)在能同時利用有標簽樣本和無標簽樣本學習。針對這種情況，引入半監(jiān)督學習的思想，對部分已知分類樣本運用圖論知識迭代確定K-means算法的K值和初始聚類中心，然后在全體樣本集上進行K-均值聚類算法。2.K-算法在遙感多光譜分類中的應用基于K-均值聚類的多光譜分類算法近年來對高光譜與多光譜進行分類去混的研究方法很多， K-均值聚類算法與光譜相似度計算算法都屬于成熟的分類算法.這類算法的聚類原則是以數(shù)據(jù)的均值作為對象集的聚類中心。均值體現(xiàn)的是數(shù)據(jù)集的整體特征，而掩蓋了數(shù)據(jù)本身的特性。無論是對高光譜還是對多光譜進行分類的方法很多，K-均值算法屬于聚類方法中一種成熟的方法。使用ENV將多光譜圖像合成一幅偽彩色圖像見圖1,圖中可以看出它由標有數(shù)字1的背景與標有數(shù)字2和3的兩種不同的氣泡及標有數(shù)字4的兩個氣泡重疊處構成。圖1原始圖像用ENV進行K-means分類，分類結果如圖2,背景被分成標有數(shù)字1的紅色與標有數(shù)字2的綠色兩類；一種氣泡被分為兩類,一類歸為標有數(shù)字2的綠色的背景類,一類為標有數(shù)字4的藍色的氣泡類；另外一種氣泡被分為標有數(shù)字3的黃色與標有數(shù)字5的淺藍色兩類。通過ENVI用K-均值（K-mean9進行分類，K-meanS算法對于兩種氣泡的分類效果都很好。圖2K-均值分類后的圖像K-算法的步驟：第一步：選K個初始聚類中心，z1,z；‘zk，其中括號內的序號為尋找聚類中心的迭代運算的次序號。聚類中心的向量值可任意設定，例如可選開始的K個模式樣本的向量值作為初始聚類中心。第二步：逐個將需分類的模式樣本｛X｝按最小距離準則分配給K個聚類中心中的某一個z(1)。對所有的i工j,j=1,2,…,K，如果則，X^s：其中k為迭代運算的次序號，第一次迭代k=1,Sj表示第j個聚類，其聚類中心為Zj。第三步：計算各個聚類中心的新的向量值z(k1),j=1,2,…,K,求各聚類域中所包含樣本的均值向量：其中Nj為第j個聚類域Sj中所包含的樣本個數(shù)。以均值向量作為新的聚類中心，可使如下聚類準則函數(shù)J最?。涸谶@一步中要分別計算K個聚類中的樣本均值向量，所以稱之為K-均值算法。第四步：若Zj(kJz(k1),j=1,2,…,K,則返回第二步，將模式樣本逐個重新分類，重復迭代運算；若z(k'1^z(k1),j=1,2,…,K,則