要求完成的主要任务:题目: 1利用多种神经网络(如BP神经网络、自组织网络等)实现对数据的分类 2利用聚类算法(即非监督算法,如k-means等)实现对数据的分类 3利用监督算法(如决策树、贝叶斯、最近邻算法等)实现对数据的分类 4利用集成算法(如Boosting、Bagging、RandomSubspace等)实现对数据的分类 ...
逐批修改类中心就是在全部像元样本按某一组的类中心分类之后,再计算修改各类的均值,作为下一次分类的凝聚中心点。采用了以下K-means算法: ⛄ 部分代码 clear all; s=imread('L1.bmp'); s=double(s); X1=20;X2=45;X3=90; num1=0;num2=0;num3=0;[M,N]=size(s); R=zeros(M,N); a=10;b=...
function [idx, C, sumD, D] = kmeans(X, k, varargin) % varargin:实际输入参量 if nargin < 2 error('At least two input arguments required.'); end % n points in p dimensional space [n, p] = size(X); Xsort = []; Xord = []; % 变量名称 pnames = { 'dis
要求完成的主要任务:题目: 1 利用多种神经网络(如 BP 神经网络、自组织网络等)实现对数据的分类 2 利用聚类算法(即非监督算法,如 k-means 等)实现对数据的分类 3 利用监督算法(如决策树、贝叶斯、最近邻算法等)实现对数据的分类 4 利用集成算法(如 Boosting、Bagging、Random Subspace 等)实现对数据的分类 5...
[idx,C] = kmeans(X,3); figure(5); gscatter(X(:,1),X(:,2),idx,'bgm') hold on plot(C(:,1),C(:,2),'kx') legend('Cluster 1','Cluster 2','Cluster 3','Cluster Centroid') 1. 2. 3. 4. 5. 6. 7. 8. 9.