怎么用delphi实现k-means与fcm聚类算法

Question

现在有iris数据表格式如下：
pl   sl   pw   sw
2    3    5    8
3    5    4.5  8
2.5  4    4.5  7
....
....
请问怎么用fcm与k-means聚类算法实现对该数据的聚类，要求得出每个聚类的数目以及聚类的内容（如选择三个以下变量要求用二维或三维图形表示出结果）。实现一个算法，能正确实现的200分。

Answer 1

k均值算法（k-means）与模糊聚类算法（fcm）的实现恐怕要到国外网找，或到cnki科技网上看有人做了的，用email索取。

Answer 2

翻译下面两段代码的照样给分：
第一段：package xmu;import java.util.Random;public class Greedy {
public int[] Greedy(double[][] SampleSet,int k)
{
int RowCount=SampleSet.length;
int i,M[]=new int[k];
int Newi;

for (i=0;i<k;i++) M[i]=-1;
Random rnd = new Random ();    //产生一个随机数，作为N1
     M[0]=rnd.nextInt(RowCount);          //选取随机点
    
     double dist[]=new double[RowCount];
     for (i=0;i<RowCount;i++) dist[i]=Double.MAX_VALUE;
     dist=d(SampleSet,M,M[0],dist);
     for (i=1;i<k;i++)
        {
     Newi=Nexti(dist,M);
     M[i]=Newi;
     dist=d(SampleSet,M,M[i],dist);
     }
     return M;
}

public int Nexti(double dist[],int M[])
{
double j=-1;
int nexti=-1;
for (int i=0;i<dist.length;i++)
{
  if (j<dist[i] && !xinm(i,M)) 
  {
    j=dist[i];
    nexti=i;
  }
}
return nexti;
}
public double[] d(double[][] SampleSet,int M[],int Newi,double dist[])
{
int RowCount=SampleSet.length;
for (int i=0;i<RowCount;i++)
 {
if (!xinm(i,M)) 
dist[i]=distXM(SampleSet,i,M,Newi,dist);
 }
return dist;
}

public double distXM(double[][] SampleSet,int x,int M[],int Newi,double dist[])
{
 double j;
 
 j=distXY(SampleSet[x],SampleSet[Newi]);
 if (dist[x]>j) 
 dist[x]=j;
 return dist[x];   
}

public double distXY(double x[],double y[])
{
    double dist=0;

    for(int i=0;i<x.length;i++) dist=dist+(x[i]-y[i])*(x[i]-y[i]);
    dist=Math.sqrt(dist);
    return dist;
}

public boolean xinm(int x,int M[])
{
  for (int i=0;i<M.length;i++)
  {
 if (x==M[i]) return true;
  } 
  return false;
} 
}

Answer 3

第二段：
package xmu;import java.util.Random;
import xmu.Greedy;public class Kmeans {
Greedy greedy=new Greedy();

public int[][] Kmeans(double[][] SampleSet,int k)
{
int i,j,M[]=new int[k];
int RowCount=SampleSet.length;
int dim=SampleSet[0].length;
int U[][]=new int[k][RowCount];
double c[][]=new double[k][dim],ReC[][]=new double[k][dim];

M=greedy.Greedy(SampleSet,k);        //找到K个初始聚类中心
for (i=0;i<k;i++)
  c[i]=SampleSet[M[i]];

while (true)
{
 for (i=0;i<k;i++)
  for (j=0;j<RowCount;j++)
    U[i][j]=0;              //初始化矩阵U
  U=UpdateU(SampleSet,c,k);
  ReC=ReCountC(SampleSet,U,k);
  if (Similar(c,ReC)) break;
  else c=ReC;
}
return U;
}

public boolean Similar(double c[][],double ReC[][])
{
int k=c.length;
int i;
double e2,E2=0;

for (i=0;i<k;i++)
{
e2=0;
e2=greedy.distXY(c[i],ReC[i]);
e2*=e2;
E2+=e2;
}
if (Math.sqrt(E2)<1) return true;
return false;
}

public double[][] ReCountC(double[][] SampleSet,int U[][],int k)
{
int i,j,n,r;
int RowCount=SampleSet.length;
int dim=SampleSet[0].length;
double ReC[][]=new double[k][dim];

for (i=0;i<k;i++)
{
 n=0;
 double s[]=new double[dim];
 for (r=0;r<dim;r++) s[r]=0;
 
 for(j=0;j<RowCount;j++)
   {
  if (U[i][j]==0) continue;
  n++;
  for (r=0;r<dim;r++) 
  s[r]+=SampleSet[j][r];
   } 
 for(r=0;r<dim;r++)
   {
 ReC[i][r]=s[r]/n;
   }
}
return ReC;
}

public int[][] UpdateU(double[][] SampleSet,double c[][],int k)
{
int i,j,n,RowCount=SampleSet.length;
double  distXM,l;
int U[][]=new int[k][RowCount];

for (i=0;i<RowCount;i++)
{
 distXM=Double.MAX_VALUE; 
 l=-1;
 n=0;
 for (j=0;j<k;j++)
   {
 l=greedy.distXY(SampleSet[i],c[j]);
 if (distXM>l)
  { 
 distXM=l;
 n=j;
  }
       }
 U[n][i]=1;
}
return U;
}
}