AP聚类Matlab程序

AP聚类,Matlab程序，内附有Demo，可清晰演示聚类过程。

function [idx a r output] = affprop（s options）
%AFFPROP idenfities exemplar points using affinity propogation
%
% IDX = AFFPROP（S）
%   returns IDX a m-vector of indices such that idx（i） is the index to
%   the exemplar of the ith point. For exemple if x is an underlying data
%   matrix then x（i:） is clustered with x（idx（i）:） and x（idx（i）） is the
%   exemplar.
%   S is a m x m similarity matrix. It need not be symmetric. The diagonal
%   indicates a prior preference that point s（ii） is an examplar. Points
%   with higher values are more likely to be choosen
%
% IDX = AFFPROP（...OPTIONS）
%   options is a structure that set properties for the search
%       ‘MaxIter‘ 200...    maximum number of iterative refinements
%       ‘TolX‘    1e-6 ...  termination tolerance for norm of message matrices
%       ‘StallIter‘ 20 ...  cumulative number of generations for which
%                             IDX does not change
%       ‘Dampening‘ .5       dampening factor （or 1-learning rate）
%       ‘OutputFcn‘[]        function called each iteration with message
%                              matrices fun（ar）
%
% [IDX R A OUTPUT] = AFFRPOP（...）
%       also returns the message matrices R and A
%       R is a ‘responsibility‘ matrix. R（i:） is a row vector of message
%       from point i to the other points indicating how well suited point k
%       is for being an exemplar for point i. 
%       A is an availability matrix. A（:k） is a
%       column vector of messages from point k to the other points
%       indicating how available point k is for being an exemplar. 
%       Availabilities and Responsibilities are added together to determine
%       exemplars. The value k that maximizes a（ik） + r（ik） indicates the
%       examplar for point i. 
%
%Example  - requires stats toolbox 
% M = [5 0; 0 5; 2.5 2.5];            % true centers
% V = [1 .9; .9 1];
% L = chol（V）;
% idx = repmat（ 1:3 50 1 ）;       % true assignment
% x = M（idx（:）:） + randn（1502）*L; % data points with noise
% m = size（x1）;                    
% di = 1:（m+1）:m*m;                 %index to diagonal elements
% d        = -pdist（x ‘mah‘）;      %upper triangle similiarity
% s        = squareform（d）;         %squareform 
% s（di）    = min（d（:））;
% options.StallIter = 10;
% options.OutputFcn = @（ar） affprop_plot（arx‘k.‘）;
% figure
% ex       = affprop（s options ）;
%
%Example - for example that doesn‘t require stats toolbox ...
% See also affprop_demo 
%
%Reference
%  Frey and Dueck “Clustering by Passing Messages Between Data Points“
%  Science 2007 315:972-976

% Copyright 2006 Mike Boedigheimer
% Amgen Inc.
% Department of Computational Biology
% mboedigh@amgen.com


m = size（s1）;

defaultopt = struct（ ‘MaxIter‘ 200...
                     ‘StallIter‘ 20 ...
                     ‘FunValCheck‘‘off‘ ...
                     ‘Dampening‘ .5 ...
                     ‘OutputFcn‘[]）;
          

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        6107  2007-07-04 11:07  affinity_propagation\affprop.m
     文件        1706  2007-07-09 21:34  affinity_propagation\affprop_demo.m
     文件         923  2007-07-09 21:30  affinity_propagation\affprop_plot.m