K均值聚类算法的MATLAB怎么实现？

　　1.K-均值聚类法的概述
　　之前在参加数学建模的过程中用到过这种聚类方法，但是当时只是简单知道了在matlab中如何调用工具箱进行聚类，并不是特别清楚它的原理。最近因为在学模式识别，又重新接触了这种聚类算法，所以便仔细地研究了一下它的原理。弄懂了之后就自己手工用matlab编程实现了，最后的结果还不错，嘿嘿~~~
　　简单来说，K-均值聚类就是在给定了一组样本（x1， x2， 。。.xn） （xi， i = 1， 2， 。。. n均是向量） 之后，假设要将其聚为 m（《n） 类，可以按照如下的步骤实现：
　　Step 1： 从 （x1， x2， 。。.xn） 中随机选择 m 个向量（y1，y2，。。.ym） 作为初始的聚类中心（可以随意指定，不在n个向量中选择也可以）;
　　Step 2： 计算 （x1， x2， 。。.xn） 到这 m 个聚类中心的距离（严格来说为 2阶范数）;
　　Step 3： 对于每一个 xi（i = 1，2，。。.n）比较其到 （y1，y2，。。.ym） 距离，找出其中的最小值，若到 yj 的距离最小，则将 xi 归为第j类;
　　Step 4： m 类分好之后， 计算每一类的均值向量作为每一类新的聚类中心;
　　Step 5： 比较新的聚类中心与老的聚类中心之间的距离，若大于设定的阈值，则跳到 Step2; 否则输出分类结果和聚类中心，算法结束。
　　OK，废话不多说，直接上Matlab代码。
　　% 利用K-均值聚类的原理，实现对一组数据的分类。这里以一组二维的点为例。
　　N = 40; % 点的个数
　　X = 10*rand（1，N）;
　　Y = 10*rand（1，N）; % 随机生成一组横纵坐标取值均在（0，10）之间的点，X Y 分别代表横纵坐标
　　plot（X， Y， ‘r*’）; % 绘出原始的数据点
　　xlabel（‘X’）;
　　ylabel（‘Y’）;
　　title（‘聚类之前的数据点’）;
　　n = 2; %将所有的数据点分为两类
　　m = 1; %迭代次数
　　eps = 1e-7; % 迭代结束的阈值
　　u1 = ［X（1），Y（1）］; %初始化第一个聚类中心
　　u2 = ［X（2），Y（2）］; %初始化第二个聚类中心
　　U1 = zeros（2，100）;
　　U2 = zeros（2，100）; %U1，U2 用于存放各次迭代两个聚类中心的横纵坐标
　　U1（：，2） = u1;
　　U2（：，2） = u2;
　　D = zeros（2，N）; %初始化数据点与聚类中心的距离
　　while（abs（U1（1，m） - U1（1，m+1）） 》 eps || abs（U1（2，m） - U1（2，m+1） 》 eps || abs（U2（1，m） - U2（1，m+1）） 》 eps || abs（U2（2，m） - U2（2，m+1）） 》 eps））
　　m = m +1;
　　% 计算所有点到两个聚类中心的距离
　　for i = 1 ： N
　　D（1，i） = sqrt（（X（i） - U1（1，m））^2 + （Y（i） - U1（2，m））^2）;
　　end
　　for i = 1 ： N
　　D（2，i） = sqrt（（X（i） - U2（1，m））^2 + （Y（i） - U2（2，m））^2）;
　　end
　　A = zeros（2，N）; % A用于存放第一类的数据点
　　B = zeros（2，N）; % B用于存放第二类的数据点
　　for k = 1： N
　　［MIN，index］ = min（D（：，k））;
　　if index == 1 % 点属于第一个聚类中心
　　A（1，k） = X（k）;
　　A（2，k） = Y（k）;
　　else % 点属于第二个聚类中心
　　B（1，k） = X（k）;
　　B（2，k） = Y（k）;
　　end
　　end
　　indexA = find（A（1，：） ~= 0）; % 找出第一类中的点
　　indexB = find（B（1，：） ~= 0）; % 找出第二类中的点
　　U1（1，m+1） = mean（A（1，indexA））;
　　U1（2，m+1） = mean（A（2，indexA））;
　　U2（1，m+1） = mean（B（1，indexB））;
　　U2（2，m+1） = mean（B（2，indexB））; % 更新两个聚类中心
　　end
　　figure;
　　plot（A（1，indexA） ， A（2，indexA）， ‘*b’）; % 作出第一类点的图形
　　hold on
　　plot（B（1，indexB） ， B（2，indexB）， ‘oy’）; %作出第二类点的图形
　　hold on
　　centerx = ［U1（1，m） U2（1，m）］;
　　centery = ［U1（2，m） U2（2，m）］;
　　plot（centerx ， centery， ‘+g’）; % 画出两个聚类中心点
　　xlabel（‘X’）;
　　ylabel（‘Y’）;
　　title（‘聚类之后的数据点’）;
　　disp（［‘迭代的次数为：’，num2str（m）］）;
　　得到的分类结果如下：
　　
　　
　　50个随机生成的点分为两类迭代只需要4步，从上图来看，分类的效果还是不错的。但是每次运行可能分类的结果会不一样，这是因为这些点是随机生成的，而且也没有明确的分类标准的缘故。