全称：Iterative Selforganizing Data Analysis Techniques Algorithm
即：迭代自组织数据分析算法
“合并”操作：
当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。
“分裂”操作：
当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂
ISODATA
百科内容来自于：
算法简介
算法特点
算法思想
算法步骤
算法步骤如下：
①初始化
设定控制参数：
c：预期的类数；
Nc：初始聚类中心个数（可以不等于c）；
TN：每一类中允许的最少样本数目（若少于此数，就不能单独成为一类）；
TE：类内各特征分量分布的相对标准差上限（大于此数就分裂）；
TC：两类中心间的最小距离下限（若小于此数，这两类应合并）；
NT：在每次迭代中最多可以进行“合并”操作的次数；
NS：允许的最多迭代次数。
选定初始聚类中心
②按最近邻规则将样本集{xi}中每个样本分到某一类中
③依据TN判断合并：如果类ωj中样本数nj< TN，则取消该类的中心zj，Nc=Nc-1，转至② 。
④计算分类后的参数：各类重心、类内平均距离
![]()
及总体平均距离
![]()
计算各类的重心：
计算各类中样本到类心的平均距离：
计算各个样本到其类内中心的总体平均距离：
⑤判断停止、分裂或合并。
a、若迭代次数Ip =NS，则算法结束；
b、若Nc ≤c/2，则转到⑥ （将一些类分裂）；
c、若Nc ≥2c，则转至⑦ （跳过分裂处理）；
d、若c/2< Nc<2c，当迭代次数Ip是奇数时转至⑥ （分裂处理）；迭代次数Ip是偶数时转至⑦ （合并处理）。
⑥分裂操作
计算各类内样本到类中心的标准差向量
σj=(σ1j, σ2j,…., σnj)T , j=1,2,…..,Nc
计算其各个分量。
求出每一类内标准差向量σj中的最大分量
![]()
若有某一类中最大分量大于TE，同时又满足下面两个条件之一：
a、
![]()
>
![]()
和
![]()
>2(TN+1) b、Nc
![]()
c/2
则将该类ωj分裂为两个类，原zj取消且令Nc=Nc+1。
两个新类的中心zj+和zj-分别是在原zj中相应于
![]()
的分量加上和减去
![]()
，而起它分量不变，其中0<k≤1。
分裂后，Ip=Ip+1, 转至②。
⑦合并操作
计算各类中心间的距离Dij，i=1,2,…,Nc-1; j=1,2,…,Nc
依据TC判断合并。将Dij与TC比较，并将小于TC的那些Dij按递增次序排列，取前NT个。
从最小的Dij开始，将相应的两类合并，并计算合并后的聚类中心。
在一次迭代中，某一类最多只能合并一次。
Nc=Nc-已并掉的类数。
⑧如果迭代次数Ip=NS或过程收敛，则算法结束。否则，Ip=Ip+1，若需要调整参数，则转至①；若不改变参数，则转至②；
$firstVoiceSent
- 来自原声例句