這個程式碼主要針對，對不同類資料，加標籤整合

資料為  mnist_all.mat  （因為時間隔得有點久我忘了當初下載網站，有需要可以問我要）

我主要用在GNMF相關處理中，其中對2D Hela image data資料也是類似加標籤，希望對你有幫助

%對MNIST資料的處理
%   整合為一個數據矩陣
%在因為每張圖是28X28=784，所以每一行代表一張圖
%需要從所有圖中選取500樣本
load('mnist_all.mat');	
%  load('usps_all.mat');	

fea=zeros(500,784);
gnd1=ones(50,1);
gnd=gnd1;
for i=2:10
    gnd=[gnd;i*gnd1];    %gnd  為定義的標籤
end

%下面開始構建處理矩陣
%每個樣本選50個樣本（隨機）
t=0;
for i=1:10
    st=['test',num2str(i-1)];  %選取不同的矩陣,字串
    test=eval(st);             %將字串對應的矩陣取值出來
    for j=1:50
        t=t+1;
        fea(t,:)=test(i*j,:);
    end
end
 

其測試時需要構建標籤    （上面一個程式碼就是Matrix_adt.m)

%  先執行Matrix_adt.m,構建標籤gnd，與重構合成矩陣fea
nClass=10;
K=10;

label = litekmeans(fea,K,'Replicates',20);
 [mFea,nSmp]=size(fea);
labelA=[];
labelA=[(1:mFea)',label];
A=[];
for i=1:K
    for j=1:mFea
        if labelA[j,2]==i;  %找出label所對應的行，
    A(j,:)=fea(j,:);    %提取這一行的所有資訊
        end
    end
end
label = litekmeans(fea,nClass,'Replicates',20);
MIhat = MutualInfo(gnd,label);%越大，越相關，互資訊
disp(['Clustering in the original space. MIhat: ',num2str(MIhat)]);%這是NMI結果
label = bestMap(gnd,label);
AC=K
AC = length(find(gnd == label))/length(gnd);
disp(['Clustering in the original space. MIhat: ',num2str(AC)]);%這是AC結果