第1步：选择k个初始聚类中心，z1（1）、z2（1）、zk（1），其中括号中的序列号是找到聚类中心的迭代操作的第二序列号。聚类中心的向量值可以任意设置。例如，可以选择初始k个模式样本的向量值作为初始聚类中心。
第二步是根据最小距离准则将模式样本{x}分配给k个聚类中心之一。
假设i=j，则k为迭代运算的次序列号，第一次迭代k=1，sj为第j个簇，其簇中心为zj。
第3步：计算每个聚类中心的新向量值zj（k1），j=1，2，k
找到每个聚类域中样本的平均向量：
其中nj是第j个聚类域中的样本数sj。以均值向量作为新的聚类中心，可以最小化以下聚类准则函数：
在这一步中，我们需要分别计算k个聚类的样本均值向量，因此称为k-means算法。
第4步：如果j=1，2，k，则返回第二步，逐个重新分类模式样本，并重复迭代操作；
如果j=1，2，则算法收敛，计算结束。
适用条件：系统聚类方法适用于二维有序样本，样本数相对均匀。k-means聚类方法适用于快速、高效的聚类，尤其适用于大量的数据。
它们之间的区别如下：1。不同的参考文献。1k-均值聚类：一种迭代聚类算法。
2.系统聚类法：又称层次聚类法，是聚类分析的一种方法。
2、k-均值聚类方法：随机选取k个对象作为初始聚类中心，然后计算每个对象与每个种子聚类中心的距离，将每个对象分配到最近的聚类中心。
2.系统聚类法：首先将每个样本看作一个群体，然后将最近的样本（即距离最小的群体）聚类成一个小群体，再根据群体之间的距离将聚合的小群体进行合并，然后继续进行，最后将所有的子群体进行聚类聚集成一个大的群体。
3、不同的目的
1。k-均值聚类法：终止条件可以是没有（或最小数量）的对象被重新分配到不同的聚类中，没有（或最小数量）的聚类中心再次发生变化，并且误差平方和局部最小。
2.系统聚类法：以距离为相似统计量，确定新类与其他类之间距离的方法，如最短距离法、最长距离法、中间距离法、重心法、群平均法、方差平方和法等，欧几里德距离，等等
西格玛=[1，00，1
]mu1=[1，-1
]x1=mvnrnd（mu1，西格玛，200）
mu2=[5.5，-4.5
]x2=mvnrnd（mu2，西格玛，200）
mu3=[1，4
]x3=mvnrnd（mu3，西格玛，200）
mu4=[6，4.5
]x4=mvnrnd（mu4，西格玛，200）
mu5=[9，0.0
]x5=mvnrnd（mu5，西格玛，200）
%获取要聚集的1000个数据点
x=[x1x2x3x4x5
]%显示数据点
绘图（x1（：，1），x1（：，2），“r.”）按住
绘图（x2（：，1），x2（：，2），“b.”）
绘图（x3（：，1），x3（：，2），“k.”）
绘图（x4（：，1），x4（：，2），“g.”）
绘图（x5（：，1），x5（：，2），“m.”）
保存myx%保存x并将其加载到其他文件中
