基于多维样本空间分布密度的聚类中心优化K-均值算法的MATLAB程序

这里给出基于多维样本空间分布密度的聚类中心优化K-均值算法的MATLAB程序，供参考：

function [label, center] = KMeans_Density(X, k)

% 输入：X为n*d的数据矩阵，k为聚类数量
% 输出：label为n*1的聚类标签，center为k*d的聚类中心矩阵

% 初始化参数
[n, d] = size(X);  % 样本数量和特征维度
label = zeros(n, 1);  % 初始化聚类标签
center = X(randperm(n, k), :);  % 随机选取k个样本作为初始聚类中心
density = zeros(n, k);  % 初始化样本到聚类中心的距离

while true
    % 计算样本与聚类中心之间的欧几里得距离
    for i = 1:k
        density(:, i) = sum(bsxfun(@minus, X, center(i, :)).^2, 2);
    end
    % 更新聚类标签
    [~, label] = min(density, [], 2);
    % 更新聚类中心
    for i = 1:k
        center(i, :) = mean(X(label == i, :), 1);
    end
    % 判断是否收敛
    if norm(center - X, 'fro') < 1e-6
        break;
    end
end

end

该算法的思路是在K-均值算法的基础上，加入了样本空间分布密度的考虑，通过计算样本到聚类中心的距离来更新聚类标签和聚类中心。每次更新完聚类中心后，判断聚类中心是否收敛，如果收敛则停止迭代。