Performance 计算一组点的最近聚类

我有一个问题，我有一个集群中心列表和一个点列表，我必须得到最近的集群

例如：

现在，我可以迭代每个点，并计算哪个簇是最近的簇：

  ClusterIndexes = zeros(npoints,1) 
  for i = 1:npoints
      % sum of squared differences (square root can be avoided)
      SquareDist = sum(bsxfun(@minus, Clusters, Points(i,:)).^2, 2);
      % Index of the closest cluster
      [minVal minIdx] = min(SquareDist);
      ClusterIndexes(i) = minIdx;  
  end

  % plot results
  figure(2), hold on
  plot(Clusters(:,1), Clusters(:,2), 'ro')
  plot(Points(:,1), Points(:,2), 'bx')
  plot([Points(:,1) Clusters(ClusterIndexes,1)]', [Points(:,2) Clusters(ClusterIndexes,2)]', 'm-');

由于我使用的是

bsxfun

，因此该代码有效。 然而，有没有更好的方法呢？也许要摆脱这个循环

我在想一个例子，有大量的点，它们可能在高维空间中

---

谢谢

在簇上循环可能比在点上循环更有效，因为这些点较少。嗯，我不知道这会如何工作。对于当前簇，我将获得到所有点的距离，并计算到簇的最近点。但是我需要在循环上存储这个距离矩阵。我认为这将需要更多的内存和更多的操作。此外，也不能保证簇的数量低于点的数量。在问题中，我只是使用了一个玩具的例子。它可能更有效地循环集群而不是点，因为这些点较少。嗯，我不知道这将如何工作。对于当前簇，我将获得到所有点的距离，并计算到簇的最近点。但是我需要在循环上存储这个距离矩阵。我认为这将需要更多的内存和更多的操作。此外，也不能保证簇的数量低于点的数量。在这个问题上，我只是用了一个玩具的例子。

  ClusterIndexes = zeros(npoints,1) 
  for i = 1:npoints
      % sum of squared differences (square root can be avoided)
      SquareDist = sum(bsxfun(@minus, Clusters, Points(i,:)).^2, 2);
      % Index of the closest cluster
      [minVal minIdx] = min(SquareDist);
      ClusterIndexes(i) = minIdx;  
  end

  % plot results
  figure(2), hold on
  plot(Clusters(:,1), Clusters(:,2), 'ro')
  plot(Points(:,1), Points(:,2), 'bx')
  plot([Points(:,1) Clusters(ClusterIndexes,1)]', [Points(:,2) Clusters(ClusterIndexes,2)]', 'm-');