摘要：

ISODATA

算法是目前应用比较广泛的，通过引入参数而进行人机交互不断进行分裂

与合并的非监督分类算法。本文介绍了

ISODATA

基本原理与具体实现的过程，并用对参数

设定的影响进行了试验和分析。

关键词：

ISODATA

非监督分类

算法

模式识别

一、原理介绍

Isodata

，迭代自组织分析，通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制，当某两

类聚类中心距离小于某一阈值时，将它们合并为一类，当某类标准差大于某一阈值或其样本数目超过某一

阈值时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。如此，根据初始聚类中心和设定的

类别数目等参数迭代，最终得到一个比较理想的分类结果。

二、算法设计

第一步：

将

个模式样本

{ ,i=1,2,3,…, }

读入，

确定

C

个初始聚类中心和

6

个初始参数

(

K

，

θN

，

θc

，

θs

，

L

，

I

)。

第二步：

将

N

个模式样本分给最近的聚类，

假如

Dj=min(

‖

x-zj

‖

,i=1,2,…,),

即‖

x-zj

‖的距离最小，

则

x

∈

Sj

。

第三步：如果

Sj

中的样本数

Nj

取消样本子集。

第四步：修正聚类中心值

j=1,2,

…,

第五步：计算各聚类域

Sj

中诸聚类中心间的平均距离：

第六步：计算全部模式样本对其相应聚类中心的总平均距离：

第七步：判别分裂、合并及迭代运算等步骤：

①如迭代运算次数已达

I

次，即最后一次迭代，置

θc = 0,

跳到第十一步，运算结束。

②如

≤K/2

，即聚类中心的数目等于或不到规定值的一半，则进入第八步，将已有的聚类分裂。

③如迭代运算的次数是偶次，或

≥2K

，不进行分裂处理，跳到第十一步；如不符合以上两个条件(即既

不是偶次迭代，也不是

≥2K

)，则进入第八步，进行分裂处理。

分裂处理：

第八步：计算聚类样本距离的标准差向量：

第九步：求每一标准差向量

{

，

σj=1,2, …

，

}

中的最大分量，以

{σj=1,2, …

，

}

代表。

第十步：在任一最大分量集

{σj=1,2, …

，

}

中，如有

>θS

(该值给定)，同时又满足以下二条件中之一：

(a)

，即

Sj

中样本总数超过规定值一倍以上，

(

b

)

Nc≤K/2

，