% 步骤2: 航迹分离 % 使用K-means聚类算法进行航迹分离 k = 3; % 假设有3个目标 [idx, C] = kmeans(data3, k); 结束后进行三维绘图

步骤2：使用K-means聚类算法进行航迹分离，首先设置簇的数量，这里假设有3个目标（`k = 3`）。`data3`是你的观测数据集，通常包含时间序列的轨迹信息，每一行代表一条轨迹。

`kmeans`函数会在数据集中找到`k`个质心（即聚类中心），`idx`是每个观测数据点所属的簇索引，`C`是一个矩阵，每列代表一个簇的质心，其行数等于数据集的维度。

完成聚类后，为了进行三维可视化，你需要将数据转换到适当的形式。比如，如果你的数据是按照时间顺序排列的，每条轨迹由一系列二维坐标组成，你可以这样做：

1. 对于每一个簇，挑选出该簇内的所有轨迹点。
2. 将每个簇的轨迹点连接起来，形成一条线，这将是三维空间中的路径。
3. 为每条路径选择一个特定的颜色或形状，以区分不同的聚类。
4. 可以使用MATLAB的`surf`或`patchwork3d`函数来创建三维表面或立方体，并标出每个聚类的中心位置（`C`矩阵的各列）。

示例代码可能如下所示：

% 提取每个簇的轨迹数据
trajectories = data3(idx == 1:3, :);

% 对于每个簇，创建三维线或曲面图
for i = 1:k
    trajectory_i = trajectories(i,:);
    plot3(trajectory_i(:,1), trajectory_i(:,2), trajectory_i(:,3), 'LineWidth', 2, 'Marker', '.', 'MarkerSize', 4, 'Color', 'blue'); % 替换为实际的颜色代码
end

% 显示簇中心
plot3(C(:,1), C(:,2), C(:,3), 'ro', 'MarkerSize', 10); % 红色圆点表示簇中心

% 添加图例和标题
xlabel('X');
ylabel('Y');
zlabel('Z');
title(['航迹分割后的三维视图 (K-means with ' num2str(k) ' clusters)']);