《模式识别实验报告17p》由会员分享，可在线阅读，更多相关《模式识别实验报告17p（18页珍藏版）》请在金锄头文库上搜索。
1、武汉大学国际软件学院实验报告课程名称 模式识别导论 专业年级 2015级 姓 名 宁佳星 学 号 2015302580323 协 作 者 实验学期 2017-2018 学年 上 学期课堂时数 0 课外时数 12 填写时间 2017 年 11 月 12 日实验概述【实验项目名称】：模式识别作业1【实验目的】： 1、 请编写程序实现混合类型属性差异性矩阵计算2、 请编写程序实现近邻聚类算法或者最大最小距离聚类算法3、 请编写程序实现层次聚类算法4、 请编写程序实现K-means或者K-中心点聚类算法5、 请编写程序实现ISODATA算法6、 使用统一的测试数据观察不同算法的聚类结果，并讨论为什么【
2、实验环境】（使用的软件）：l Windiws 7l Visual Studio 2017【参考资料】：l 模式识别作业1l 模式识别PPTl 网络索引实验内容【实验方案设计】： 1、 编写程序实现混合类型属性差异性矩阵计算/矩阵三元组之矩阵相加 相乘.#define MAXSIZE 12500 /最大非零元素.void InputMatrix(TSMatrix &T) /输入t个非零元素.void TransposeSMatrix(TSMatrix M, TSMatrix &T) /矩阵的转置.void AddMastrix(TSMatrix M, TSMatrix T, TSMatrix &
3、Q) /矩阵相加./for循环复制剩余元素.void Multiply(TSMatrix M, TSMatrix T, TSMatrix &Q) /矩阵相乘.int *rowSize = new intT.mu + 1; /存放每行非零元素的个数int *rowStart = new intT.mu + 2; /矩阵每行在三元组开始位置int *temp = new intT.nu + 1; /存放结果矩阵中每行的计算结果.while (Current = M.tu)ROWM = M.dataCurrent.row; /当前三元组数据中元素的行号. while (Current = M.tu&
4、ROWM = M.dataCurrent.row) COLM = M.dataCurrent.col; /当前元素的列号，方便与T矩阵的行号相乘for (i = rowStartCOLM; itheta*D12)./min-operatefor (j = 0; jtheta*D12) k+; centerk = index; / add a centertheshold = max;/ prepare to loop next time.3、 编写程序实现层次聚类算法/实现层次聚类算法./计算两个样本点之间的欧几里得距离double CAgeneCluster:getDistance(sDat
5、aPoint dpA, sDataPoint dpB).list* CAgeneCluster:initialCluster(list *dataPoints).sDataPoint tempDataPoint = *iter;/取出数据， .tempCluster.clusterLabel = i; /初始类簇号为各原数据顺序号tempCluster.datapointList-push_back(tempDataPoint);/每一个数据为一类originalClusters-push_back(tempCluster);/originalClusters为类簇序列.list* CAgen
6、eCluster:mergeCluster(list* clusters, int mergeIndexA, int mergeIndexB)/mergeIndexA, B 是类簇标号.int nBreak = 0;/计算找到的次数，以提前退出循环，节省时间if (mergeIndexA != mergeIndexB)/分属于不同的类簇,则合并. / 将clustermergeIndexB中的DataPoint加入到 clustermergeIndexAfor (list:iterator iter = clusters-begin(); iter != clusters-end(); ite
7、r+)/把mergeIndexA所在类簇提取出来。tempCluster = *iter;/以下程序找出mergeIndexA and B所在类簇，并从链表中删除 B类簇。if (tempCluster.clusterLabel = mergeIndexA)nBreak+;/计算找到的次数，以提前退出循环，节省时间tempClusterA = *iter;/end for if(tempCluster.clusterLabel=mergeIndexA)if (tempCluster.clusterLabel = mergeIndexB)/并从链表中删除 B类簇。tempClusterB = *
8、iter;nBreak+;/计算找到的次数，以提前退出循环，节省时间 .if (nBreak = 2)/找到两个类簇，则提前退出循环，节省时间。nBreak = 0;break;.dpA = tempClusterA.datapointList;/把clusterA中的数据集提取出来。.for (list:iterator iter = dpB-begin(); iter != dpB-end(); iter+) /取出数据 dpA-push_back(*iter);/把B中数据存入到A.list* CAgeneCluster:startAnalysis(list *dataPoints, u
9、nsigned int ClusterNum).originalClusters = initialCluster(dataPoints);/数据集初始化;/originalClusters为类簇序列.printCluster(originalClusters);/打印聚类情况.while (finalClusters-size()ClusterNum)/聚类数为ClusterNumdouble minDist = 9999999.9999;/maxvalue.if (iIter != jIter).dataPointsA = ClusterA.datapointList;/类簇中的数据集cl
10、usterLabelA = ClusterA.clusterLabel;/类簇标号dataPointsB = ClusterB.datapointList;/类簇中的数据集clusterLabelB = ClusterB.clusterLabel;/类簇标号for (list:iterator iterdpA = dataPointsA-begin(); iterdpA != dataPointsA-end(); iterdpA+).if (tempDisminDist)minDist = tempDis;/每次都是距离最小的两个合并。.cout mergeIndexA= mergeIndexA , mergeIndexB= mergeIndexB endl;finalClusters = mergeCluster(finalClusters, mergeIndexA, mergeIndexB);/mergeIndexA, B 是类簇标号printCluster(originalClusters);/打印聚类情况.4、 编写程序实现K-means或者K-中心点聚类算法/K-means聚类算法.const int NUM = 3; /定义划分簇的数目/数据向量表示./计算距离的平方double getDist(Vect A, Vect B)./计算每个簇的中心，平均距离表示
