请你编写下matlab代码

好的，下面是一个简单的Matlab代码示例，用于实现凝聚层次聚类算法：

% 假设已经给定了一个20*20的相似度矩阵similarity_matrix

% 初始化聚类列表，每个数据点为一个初始聚类
num_points = size(similarity_matrix, 1);
clusters = cell(num_points, 1);
for i = 1:num_points
    clusters{i} = i;
end

% 循环合并聚类，直到只剩下一个聚类为止
while length(clusters) > 1
    % 计算聚类之间的相似度
    sim_matrix = zeros(length(clusters));
    for i = 1:length(clusters)
        for j = i+1:length(clusters)
            sim_matrix(i, j) = mean(mean(similarity_matrix(clusters{i}, clusters{j})));
            sim_matrix(j, i) = sim_matrix(i, j);
        end
    end
    
    % 找到相似度最高的聚类，合并它们成一个新的聚类
    [max_sim, max_idx] = max(sim_matrix(:));
    [max_row, max_col] = ind2sub(size(sim_matrix), max_idx);
    new_cluster = [clusters{max_row}, clusters{max_col}];
    clusters(max_row) = [];
    clusters(max_col-1) = [];
    clusters{end+1} = new_cluster;
end

% 根据阈值划分聚类
threshold = 0.5; % 可调整的阈值
num_clusters = 1;
for i = 1:length(clusters)
    if length(clusters{i}) > 1 && max(max(similarity_matrix(clusters{i}, clusters{i}))) > threshold
        fprintf('Cluster %d: %s\n', num_clusters, num2str(clusters{i}));
        num_clusters = num_clusters + 1;
    end
end

该代码首先初始化聚类列表，然后通过循环合并聚类的方式逐步减少聚类数量，直到只剩下一个聚类。在每次循环中，计算聚类之间的相似度，并找到相似度最高的两个聚类，将它们合并成一个新的聚类。最后，根据阈值划分聚类，打印出每个簇中的数据点索引。