%K-MEANS算法　　K-MEANS算法:
%k-means?算法接受輸入量?k?；然后將n個數據對象劃分為?k個聚類以便使得所獲得的聚類滿足：
%同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。
%k-means?算法的工作過程說明如下：首先從n個數據對象任意選擇?k?個對象作為初始聚類中心；而對于所剩下其它對象，
%則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；
%然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；
%不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數.?k個聚類具有以下特點：
%各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。?
%補充一個Matlab實現方法：
function?[cidnrcenters]=cskmeans（xknc）
%CSKMEANS?K-Means?clustering?-?general?method.
%?
%?This?implements?the?more?general?k-means?algorithm?where?
%?HMEANS?is?used?to?find?the?initial?partition?and?then?each
%?observation?is?examined?for?further?improvements?in?minimizing
%?the?within-group?sum?of?squares.

%?[CIDNRCENTERS]?=?CSKMEANS（XKNC）?Performs?K-means
%?clustering?using?the