自适应谱聚类研究的论文，可供科研人员参考-Spectral clustering hasbeenusedto identify clustersthat arenon
linearly separableininput space, andusuallyoutper
formstraditional clustering algorithms. However, the performances of spectral clustering are severely dependent o

简单能运行的谱聚类，调用k均值算法，需要自行确定K值-Simple spectral clustering can run, call the k-means algorithm, needs to determine the value of K

谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。 该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量 ， 然后选择合适 的特征向量聚类不同的数据点。谱聚类算法最初用于计算机视觉 、VLS I 设计等领域， 最近才开始用于机器学习中，并迅速成为国际上机器学习领域的研究热点。-Spectral clustering algorithm based on the spectrum b

谱聚类熵值排列通过求n 个二次规划问题，就可以求得相似度矩阵W，降低了谱聚类算法对参数的敏感性，使算法更稳定(Clustering Entropy Ranking By finding n quadratic programming problems, we can obtain the similarity matrix W, which reduces the sensitivity of the spectral clustering algorithm to the parameters

使用谱聚类算法进行图像分割，提取目标区域(pujulei algorithm used to image cut)