最大最小距离算法matlab实例

最大最小距离（Maximum-Minimum Distance, MMD）是一种用于数据聚类分析的技术，它通过计算每个样本点到簇中心的最大距离和最小距离，然后将样本分配到距离最近的簇中。在MATLAB中，你可以使用内置函数以及自定义脚本来实现MMD。

以下是一个简单的MATLAB实例，假设我们有两组数据`data1`和`data2`：

% 假设的数据集
data1 = randn(50, 2); % 一组随机二维数据
data2 = randn(50, 2) + [3; 4]; % 另一组偏移后的随机数据

% 计算每组数据点到其各自平均值的距离
mean1 = mean(data1);
distances_data1 = pdist(data1, 'euclidean'); % 使用欧式距离
mean2 = mean(data2);
distances_data2 = pdist(data2, 'euclidean');

% 找出每组数据中的最大和最小距离
[max_dist1, min_dist1] = max(min(distances_data1), [], 2);
[max_dist2, min_dist2] = max(min(distances_data2), [], 2);

% 定义簇中心为各组数据的最大和最小距离
cluster_centers = [max_dist1; min_dist1; max_dist2; min_dist2];

% 将数据点分配到离其最近的簇中心
[labels, ~] = kmeans([distances_data1'; distances_data2'], 2); % 两个簇

% 绘制结果
scatter(data1(:,1), data1(:,2), [], labels, 'filled');
hold on;
scatter(cluster_centers(1,:), cluster_centers(2:end,:)', 'x', 'r', 'filled');
legend('Cluster 1', 'Cluster 2', 'Centers');

在这个例子中，`pdist`函数计算了欧氏距离，`kmeans`函数用于聚类，最后用散点图展示了结果。注意，MMD通常不直接作为聚类方法使用，但在某些场景下可以作为一种辅助手段。