MATLAB最短距离聚类

MATLAB QT聚类与核心距离分析。这里提供了一些简单的MATLAB文件，用于执行QT聚类。

开始时，程序会要求输入节点数量，并生成一个在空间中分布的图形，节点之间带有时间延迟。接着，根据维基百科链接中的理论解释，使用距离向量路由算法计算从源节点到目的节点的最短路径。

请引用：Emre Güngör，Ahmet Özmen，使用高斯核的基于距离和密度的聚类算法，发表于《Expert Systems with Applications》第69卷，2017年，第10-20页，ISSN 0957-4174。详细信息请参阅原始文章链接：https://doi.org/10.1016/j.eswa.2016.10.022 （http://www.sciencedirect.com/science/article/pii/S095741630553X）。对于聚类数据集和/或形状集，您可以查看：https://cs.joensuu.fi/sipu/datasets/

在进行数据挖掘和机器学习的过程中，聚类是一种常见的无监督学习方法，其主要目标是将相似的数据点分组在一起形成簇。聚类算法的效果很大程度上取决于所采用的距离度量方式，因为距离度量决定了数据点之间的相似程度。MATLAB作为一种强大的科学计算软件，提供了多种距离计算方法来支持不同的聚类需求。详细介绍了MATLAB中几种常用的聚类算法距离计算方法，包括欧氏距离、标准欧氏距离、马氏距离、绝对值距离和闵科夫斯基距离。

执行kmedioids聚类，仅需距离矩阵D和聚类数k。通过最小化成本函数sum(D(inds==i,inds==i),2)，对每个i=1:k，找到最优的集群分配'inds'。该过程以高效的矢量化方式完成集群分配和集群中心的计算，其中集群分配的时间复杂度为O(nk)，集群中心的时间复杂度为O(k*(最大集群大小)^2)。

这是P. Felzenszwalb和D. Huttenlocher的论文中提出的距离采样函数的广义距离变换算法的简单MATLAB实现。函数DT()通过为每个维度调用DT1()来计算二维图像的距离变换。该方法可以轻松扩展到更高维度。由于inf值的处理存在问题，因此对于图像中以“无”抛物线为中心的点，应该给它们一个较大的数值（如1e10）。此外，算法被修改为使第二个参数返回输入的功率图，该图展示了每个点到其最近的点的距离。若所有输入点具有相同的值，函数将简化为计算标准的距离变换和Voronoi图。

这种算法在速度和内存使用方面优于其他算法，尤其是在处理大型数据集时表现突出。函数 [成本] = mdijkstra(A,C) 可以根据输入的方阵 A（邻接或成本矩阵）计算出成本矩阵。当 C=1 时，A 是邻接矩阵，其中元素 (i,j)=1 表示顶点 v 和 j 相连，其他为 0；当 C=2 时，A 是成本矩阵，其中元素 (i,j) 表示顶点 i 和 j 之间的成本百分比。开发者为 Bharat Patel，发布日期为 03/28/2009。

这个Matlab函数用于计算两组点云之间的双向局部距离（BLD）。BLD是Hausdorff距离的一种扩展，提供了参考点云中每个点到测试点云的距离。该函数由Hak Soo Kim等人在医学物理学领域的研究中定义，适用于任意维度的点云。使用方法：输入参考点云和测试点云，函数将输出参考点云中每个点的局部距离（BLD）。详细信息可参见原论文：https://doi.org/10.1118/1.4754802。

这是图论中用于从一个起始点开始遍历所有节点的最短路径计算程序。