动态聚类方法是模式识别中一种普遍采用的方法，它具有以下3个要点：
    1：选定某种距离度量作为样本间的相似性度量
    2：确定某个评价聚类结果质量的准则函数
    3：给定某个初始分类，然后用迭代算法找出使准则函数取极值的最好的聚类结果

K-MEANS算法:
输入：聚类个数k，以及包含 n个数据对象的数据库。
输出：满足方差最小标准的k个聚类。

处理流程：
（1）  从 n个数据对象任意选择 k 个对象作为初始聚类中心；
（2）  循环（3）到（4）直到每个聚类不再发生变化为止；
（3）  根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（4）  重新计算每个（有变化）聚类的均值（中心对象）

k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 */
/* K-均值算法*/
/*VC++6.0下编译通过*/
#include<stdio.h>
#include<math.h>
void main()
{
 char test='q';
 int i,j,sn1=0,sn2=0,n=0;
 float z1x,z1y,z2x,z2y,z1x_l,z1y_l,z2x_l,z2y_l;
 float X[100][2],S1[100][2],S2[100][2];
/****************************数据输入******************************************/
while(test!=27)
{
 
 printf("Please input the numble of the data:");
 scanf("%d",&n);
 printf("Please input data/n");
 for(i=0;i<n;i++)
 {
  for(j=0;j<2;j++)
  {
   if(j==0)
   {
    printf("X[%d]x=",i+1);
    scanf("%f",&X[i][j]);
   }
   else
   {
    printf("X[%d]y=",i+1);
    scanf("%f",&X[i][j]);
   }
  
  
  }
 }
/*
 printf("Please input K/n");
 scanf("%d",&K);
*/
/*******************************算法过程***************************************/
 z1x=z1x_l=X[0][0];//初始化聚类中心
 z1y=z1y_l=X[0][1];
 z2x=z2x_l=X[1][0];
 z2y=z2y_l=X[1][1];
/********************迭代开始*********************/
again:
/*************计算数据点分类**************/
 sn1=0;
 sn2=0;
 for(i=0;i<n;i++)
 {
  if(((X[i][0]-z1x)*(X[i][0]-z1x)+(X[i][1]-z1y)*(X[i][1]-z1y))<((X[i][0]-z2x)*(X[i][0]-z2x)+(X[i][1]-z2y)*(X[i][1]-z2y)))//判断数据所属
  {
   S1[sn1][0]=X[i][0];
   S1[sn1][1]=X[i][1];
   sn1++;
  }
  else
  {
   S2[sn2][0]=X[i][0];
   S2[sn2][1]=X[i][1];
   sn2++;
  }
 }
/*************计算聚类中心**************/
 z1x=0;
 z1y=0;
 for(i=0;i<sn1;i++)
 {
  z1x=(S1[i][0]+z1x);
  z1y=(S1[i][1]+z1y);
 }
 z1x=z1x/(sn1);
 z1y=z1y/(sn1);
 z2x=0;
 z2y=0;
 for(i=0;i<sn2;i++)
 {
  z2x=(S2[i][0]+z2x);
  z2y=(S2[i][1]+z2y);
 }
 z2x=z2x/(sn2);
 z2y=z2y/(sn2);

/*************判断聚类中心**************/
 if((z1x!=z1x_l)||(z1y!=z1y_l)||(z2x!=z2x_l)||(z2y!=z2y_l))
 {
  z1x_l=z1x;
  z1y_l=z1y;
  z2x_l=z2x;
  z2y_l=z2y;
  goto again;//有时候goto还是很好用的，这里判断迭代得出的聚类中心的值是否与上次相同，不同继续迭代
 }
 
/*******************************打印结果***************************************/
printf("%f,%f,%f,%f/nRress Esc to close/nRress any key to continue/n ",z1x,z1y,z2x,z2y);
test=getch(); //按ESC退出
}//回while
}