Мультисигнализирует о 1D кластеризации
S = mdwtcluster(X)
S = mdwtcluster(X,'PropName1',PropVal1,'PropName2',PropVal2,...)
S = mdwtcluster(X)
кластеры построений от иерархического кластерного дерева. Входная матрица X
анализируется в направлении строки с помощью функции DWT с haar
вейвлет и максимальный допустимый уровень.
S = mdwtcluster(X,'PropName1',PropVal1,'PropName2',PropVal2,...)
позволяет вам изменять некоторые свойства. Допустимый выбор для PropName
:
mdwtcluster
требует Statistics and Machine Learning Toolbox™
'dirDec' |
|
'level' | Уровень разложения DWT. Значение по умолчанию: |
'wname' | Имя вейвлета используется в DWT. Значением по умолчанию является |
'dwtEXTM' | Режим расширения DWT (см. |
'pdist' | См. Statistics and Machine Learning Toolbox |
'linkage' | См. Statistics and Machine Learning Toolbox |
'maxclust' | Количество кластеров. Значение по умолчанию равняется 6. Входная переменная может быть вектором. |
'lst2clu' | Массив ячеек, который содержит список данных, чтобы классифицировать. Если
Значением по умолчанию является |
Структура output S такова это для каждого раздела j
:
S.Idx(:,j) | Содержит кластерные числа, полученные из иерархического кластерного дерева (см. |
S.Incons(:,j) | Содержит противоречивые значения каждого узла, не являющегося листом в иерархическом кластерном дереве (см., что программное обеспечение Statistics and Machine Learning Toolbox функционирует |
S.Corr(j) | Содержит cophenetic коэффициенты корреляции раздела (см., что программное обеспечение Statistics and Machine Learning Toolbox функционирует |
Если maxclustVal
вектор, затем IdxCLU
многомерный массив, таким образом что IdxCLU(:,j,k)
содержит кластерные числа, полученные из иерархического кластерного дерева для k
кластеры.
load elecsig10 lst2clu = {'s','ca1','ca3','ca6'}; % Compute the structure resulting from multisignal clustering S = mdwtcluster(signals,'maxclust',4,'lst2clu',lst2clu) S = IdxCLU: [70x4 double] Incons: [69x4 double] Corr: [0.7920 0.7926 0.7947 0.7631] % Retrieve indices of clusters IdxCLU = S.IdxCLU; % Plot the first cluster plot(signals(IdxCLU(:,1)==1,:)','r'); hold on; % Plot the third clustering plot(signals(IdxCLU(:,1)==3,:)','b')
% Check the equality of partitions equalPART = isequal(IdxCLU(:,1),IdxCLU(:,3)) equalPART = 1 % So we can see that we obtain the same partitions using % coefficents of approximation at level 3 instead of original % signals. Much less information is then used.