基于欧式距离的聚类算法的Kmeans作业

访问【WRITE-BUG数字空间】_[内附完整源码和文档]

基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。 该实验产生的点为二维空间中的点。

环境配置
java环境，使用原生的Java UI组件JPanel和JFrame

算法原理
基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。

该实验产生的点为二维空间中的点。

欧式距离
n维空间中的两个点X，Y

$dist(X, Y) = \sqrt{\sum_{i = 1}^{n} (x_{i} - y_{i})^{2}}$

算法过程
选择k，聚类的数量。
选择k个点作为聚类中心。
对每个样本点计算到k个聚类中心的距离，采用的是欧氏距离，将其分类到距离最近的类别中。
根据每个类别，计算被分类在该类别中的所有点的中心。
如果计算出来的中心和聚类中心相同，则退出循环，否则以新的计算出来的中心为每个聚类的聚类中心，不断重复3 - 4步。
核心代码
设定K
/Step按钮的监听器/
jButton2.addActionListener(new ActionListener() {

public void actionPerformed(ActionEvent ae) {


    painting.assign();

    painting.updateCentroids();


    /*算法终止的话让按钮变灰并提示算法结束*/
    if (painting.stop(num++)) {
        jButton2.setText("End");
        jButton2.setEnabled(false);
    }


    painting.repaint();
}

});
计算欧式距离
/欧式距离/
double Euc(Point p1, Point p2) {

double distance = 0.0;

for (int i = 0; i < Dimension; ++i)
    distance += (p1.x[i] - p2.x[i]) * (p1.x[i] - p2.x[i]);
return Math.sqrt(distance);

}
更新中心点
/更新中心点/
void updateCentroid(int clusterNum) {

//将newCluster数组的那个中心点置空
for (int i = 0; i < Dimension; ++i)
    newCluster[clusterNum].x[i] = 0;

int clusterSize = 0;

for (int i = 0; i < Nodes; ++i)
    if (p[i].cluster == clusterNum) {
        //这个簇中有多少点
        clusterSize++;
        for (int j = 0; j < Dimension; ++j)
            newCluster[clusterNum].x[j] += p[i].x[j];
    }


if (clusterSize == 0)
    return;

for (int i = 0; i < Dimension; ++i)
    newCluster[clusterNum].x[i] /= (double) clusterSize;

}
计算每个点的分类
/分配数据点到哪个簇/
void assignPoint(int x) {

double minDistance = 99999999;
int nodeClassify = 1;
for (int i = 0; i < K; ++i) {
    //计算欧式距离
    double newDistance = Euc(p[x], newCluster[i]);
    if (newDistance < minDistance) {
        minDistance = newDistance;
        nodeClassify = i;
    }
}
p[x].cluster = nodeClassify;

}
判断终止条件
/判断算法是否终止/
Boolean stop(int currentTime) {

//超过迭代次数
if (currentTime > range) {
    int num = 1;
    System.out.println("超过迭代次数");
    for (Point i : oldCluster) {
        System.out.println("中心点" + num + "坐标：(" + i.x[0] + "," + i.x[1] + ")");
        num++;
    }
    return true;
}
/*如果每一个中心点都与上一次的中心点相同，则算法终止，否则更新oldCentroid*/
for (int i = 0; i < K; ++i)
    if (!samePoint(oldCluster[i], newCluster[i])) {
        for (int j = 0; j < K; ++j)
            copy(oldCluster[j], newCluster[j]);
        return false;
    }
int num = 1;
System.out.println("迭代完成");
for (Point i : oldCluster) {
    System.out.println("中心点" + num + "坐标：(" + i.x[0] + "," + i.x[1] + ")");
    num++;
}
return true;

}