多维数据用K均值聚类在matlab中实现的程序，标准化，K取值，聚类中心，簇质心，迭代次数，画出散点图，画出轮廓曲线

以下是一个简单的多维数据用K均值聚类在Matlab中实现的程序示例：

% 加载数据
load('data.mat');

% 标准化
data_norm = normalize(data);

% K取值
K = 3;

% 随机初始化聚类中心
cluster_centers = rand(K, size(data, 2));

% 初始化变量
last_clusters = zeros(size(data, 1), 1);
clusters = ones(size(data, 1), 1);
iter = 0;
max_iter = 100;

% 迭代聚类中心
while ~isequal(clusters, last_clusters) && iter < max_iter
    last_clusters = clusters;
    
    % 计算每个数据点与聚类中心的距离
    distances = pdist2(data_norm, cluster_centers);
    
    % 分配每个数据点到最近的聚类中心
    [~, clusters] = min(distances, [], 2);
    
    % 更新聚类中心为簇质心
    for i = 1:K
        cluster_centers(i, :) = mean(data_norm(clusters == i, :), 1);
    end
    
    iter = iter + 1;
end

% 画出散点图
figure;
scatter3(data_norm(:,1), data_norm(:,2), data_norm(:,3), [], clusters, 'filled');
title('K-Means Clustering');
xlabel('Feature 1');
ylabel('Feature 2');
zlabel('Feature 3');

% 画出轮廓曲线
figure;
silhouette(data_norm, clusters);
title('Silhouette Plot');

其中，`data.mat`是一个包含多维数据的Matlab数据文件，`normalize`是一个自定义的标准化函数，`K`是聚类的簇数，`cluster_centers`是聚类中心的初始化数组，`last_clusters`和`clusters`是上一次和当前的簇分配情况，`iter`是迭代次数，`max_iter`是最大迭代次数。程序中使用了Matlab自带的`pdist2`函数计算每个数据点与聚类中心的距离，使用了Matlab自带的`mean`函数计算簇质心，使用了Matlab自带的`scatter3`函数和`silhouette`函数分别画出散点图和轮廓曲线。