基于样本空间分布密度的多维数据聚类中心优化K-均值算法MATLAB代码

以下是基于样本空间分布密度的多维数据聚类中心优化K-均值算法的MATLAB代码：

function [IDX, C] = kmeans_density(X, k)

% X: 数据矩阵，每行为一个样本，每列为一个特征
% k: 聚类数目
% IDX: 每个样本所属的簇的编号
% C: 聚类中心

% 初始化
[n, m] = size(X);
D = pdist2(X, X); % 计算距离矩阵
rho = sum(exp(-(D.^2))); % 计算密度
[~, order] = sort(rho, 'descend'); % 按密度从大到小排序
C = X(order(1:k), :); % 选择前k个样本作为初始聚类中心
last_IDX = zeros(n, 1);
IDX = ones(n, 1);

% 迭代
while ~isequal(IDX, last_IDX)
    last_IDX = IDX;
    
    % 计算每个样本与聚类中心的距离
    D = pdist2(X, C);
    
    % 更新每个样本所属的簇的编号
    [~, IDX] = min(D, [], 2);
    
    % 更新聚类中心
    for i = 1:k
        C(i, :) = mean(X(IDX == i, :), 1);
    end
end

end

该算法的核心思想是基于样本空间分布密度，选择密度高的样本作为初始聚类中心，并通过迭代不断更新聚类中心和每个样本所属的簇的编号，直到收敛为止。