资源列表
99768411ChooseInitialCentres
- 模糊C均值初始聚类中心的选择，供初学者参考(Fuzzy C mean initial clustering center selection, for beginners reference)
691698626subclustinializingfcm
- subclutering initializing fcm: 开发语言：matlab 功能：使用减法聚类初始化fcm算法的聚类中心，可以快速找到合适的初始聚类中心(subclutering initializing fcm:)
45880713Exterme_k_means
- Extreme k-means，被yuboYuan提出，给定初始聚类中心，聚类快。(Extreme K-means is put forward by yuboYuan, given the initial clustering center, and the clustering is fast.)
99273863K-means-clustering-algorithm
- K-均值聚类算法。可自由输入初始聚类中心的个数和其坐标。(K- means clustering algorithm. The number of initial cluster centers and its coordinates can be freely entered.)
BP神经网络的数据分类-语音特征信号分类
- BP神经网络的数据分类-语音特征信号分类(BP neural networks for data classification -- speech feature signal classification)
BP神经网络的非线性系统建模-非线性函数拟合
- BP神经网络的非线性系统建模-非线性函数拟合(Nonlinear system modeling of BP neural networks nonlinear function fitting)
遗传算法优化BP神经网络-非线性函数拟合
- 遗传算法优化BP神经网络-非线性函数拟合(Genetic algorithm optimization BP neural network nonlinear function fitting)
Elman神经网络的数据预测—电力负荷预测模型研究
- Elman神经网络的数据预测—电力负荷预测模型研究(Data forecasting based on Elman neural network model of power load forecasting)
SOM神经网络的数据分类--柴油机故障诊断
- SOM神经网络的数据分类--柴油机故障诊断(Data classification of SOM neural network -- Diesel Engine Fault Diagnosis)
101259363Desktop
- 传统的K-medoids聚类算法的聚类结果随初始中心点的 不同而波动，且计算复杂度较高不适宜处理大规模数据集； 快速K-medoids聚类算法通过选择合适的初始聚类中心改进 了传统K-medoids聚类算法，但是快速K-medoids聚类算法 的初始聚类中心有可能位于同一类簇。为了克服传统的K- medoids聚类算法和快速K-medoids聚类算法的缺陷，提出 一种基于粒计算的K-medoids聚类算法。(The traditional K-medoids clustering algorit
85375535Kmeans
- K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心(K means clustering algorithm is first randomly selected K objects as the initial clustering center. Then calculate the distance between each object and each seed cluster center and
1138508kMedoids
- 聚类，设定初始聚类中心以及迭代步长，按距离最小聚类，中心位置重新计算，以及显示(The initial cluster centers and the iteration steps are set by clustering, the minimum clustering, the central location re calculation, and the display)