function [C]=K_Means(X,M,D)

该函数的作用是使用 K-Means 算法对给定数据集 X 进行聚类，其中 M 是聚类的数量，D 是数据集的维度。函数返回聚类结果 C。

K-Means 算法的基本思路是随机选取 K 个初始聚类中心，然后反复迭代更新每个数据点所属的聚类，直到聚类中心不再变化或达到一定的迭代次数。

下面是该函数的代码实现：

function [C]=K_Means(X,M,D)
% X: 数据集，每行是一个数据点
% M: 聚类数量
% D: 数据集维数
% C: 聚类结果，每个元素表示该数据点所属的聚类编号

% 随机初始化聚类中心
Cen=X(randperm(size(X,1),M),:);

% 初始化聚类结果
C=zeros(size(X,1),1);

for i=1:100 % 最大迭代次数为100
    % 对每个数据点计算距离最近的聚类中心，并更新聚类结果
    for j=1:size(X,1)
        [~,C(j)]=min(sum((repmat(X(j,:),M,1)-Cen).^2,2));
    end
    
    % 更新聚类中心
    for k=1:M
        Cen(k,:)=mean(X(C==k,:),1);
    end
    
    % 如果聚类中心不再变化，跳出循环
    if sum(sum(abs(Cen-Cen_old)))<1e-5
        break;
    end
    
    % 保存上一轮聚类中心
    Cen_old=Cen;
end

需要注意的是，K-Means 算法对初始聚类中心的选择比较敏感，不同的初始值可能会导致不同的聚类结果。因此，一般会进行多次随机初始化，并选择最优的结果作为最终聚类结果。