牛顿-拉夫逊优化算法优化Spectral谱聚类优化算法
matlab语言，一键出图，直接替换运行
1.牛顿-拉夫逊优化算法(Newton-Raphson-based optimizer, NRBO)是一种新型的元启发式算法（智能优化算法），该成果由Sowmya等人于2024年2月发表在中科院2区Top SCI期刊《Engineering Applications of Artificial Intelligence》上，对聚类算法优化效果显著；
2.完整展示优化迭代过程，可视化每一次迭代变换，代码行数200+，代码注释清晰，自行解读容易
3.自动寻优输出数值包括：
簇数量：在聚类算法中，选择合适的簇数量非常重要，因为过多的簇可能导致过拟合，而过少的簇可能无法充分描述数据的结构。簇数量直接影响聚类的质量和算法的计算复杂度。
sigma值：Sigma参数控制相似性矩阵中数据点之间的距离度量。较小的sigma值会使得只有非常接近的点才会有较高的相似性值，而较大的sigma值会使得更远的点也具有较高的相似性值。选择合适的sigma值对谱聚类的效果有很大影响，因为它决定了相似性矩阵的构建方式，从而影响最终的聚类结果
最大对数似然值:最大对数似然值用于评估聚类模型对数据的拟合程度。较大的对数似然值表明模型更好地拟合了数据，即数据在该模型下出现的概率较大
4.优化参数：
NBRO算法用于优化Spectral谱聚类算法中的参数簇数量、sigma值和最大对数似然值，自动寻优出最佳参数，并通过最大化目标函数(这里定义为尽量减少噪声点的数量)来找到最佳参数
保存聚类结果到 clusterIndices.mat 文件，保存聚类中心到 clusterCentroids.mat 文件
5.输出图例如图所示包括：
A-对数似然值变化曲线图:展示优化过程中对数似然值（适应度值）的变化情况
B-NRBO-Spectral谱聚类图：聚类结果图，有聚类效果和最优参数显示
C-簇数量变化曲线：展示在优化过程中簇数量的变化趋势
D-sigma变化曲线：展示在优化过程中sigma值的变化趋势
