模式识别学习笔记（四）---聚类算法的技术方案

聚类分析有很多具体的算法，有的比较简单，有的相对复杂和完善，但归纳起来就是三大类：

1、按最小距离原则简单聚类方法

2、按最小距离原则进行两类合并的方法

3、依据准则函数动态聚类方法（此方法下次单独详细写实现步骤，本文主要讲前两种方法）

设定一些分类的控制参数，定义一个能表征聚类结果优劣的准则函数，聚类过程就是使准则函数取极值的优化过程。

算法运行中，类心不断地修正，各模式的类别的指定也不断地更改。这类方法有---C均值法、ISODATA法等。

（1）简单聚类方法：

针对具体问题确定相似性阈值，将模式到各聚类中心间的距离与阈值比较，当大于阈值时该模式就作为另一类的中心，小于阈值时按最小距离原则将其分划到某一类中。

这类算法运行中模式的类别及类的中心一旦确定将不会改变。













（2）按最小距离原则进行两类合并的方法：

首先视各模式自成一类，然后将距离最小的两类合并成一类，不断地重复这个过程，直到成为两类为止。

这类算法运行中，类心不断地修正，但模式类别一旦指定后就不再改变，就是模式一旦划为一类后就不再被分划开，这类算法也称为谱系聚类法。











谱系聚类法：