搜索资源列表
MyKmeans
- 实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中去，使得类内对象之间的相似性最大，而类之间的相似性最小。 缺点：产生类的大小相差不会很大，对于脏数据很敏感。 改进的算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）
K_average
- 模式识别的经典算法之一，动态聚类的k均值算法，采用matlab进行编程，并对分类进行了画图分析。-the classic pattern recognition algorithms, dynamic clustering algorithm k mean using Matlab programming, as well as classification of the class analysis.
2655143923
- 此程序是在VC环境下实现k-means均值聚类算法-this procedure is in VC environment to achieve k-means clustering algorithm Mean
cmeans
- 实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中去，使得类内对象之间的相似性最大，而类之间的相似性最小。-achieving K-mean clustering algorithms : K-means algorithm : given the number of Class K, n objects assigned K to 000 category, making such objects within the similarity between the lar
texture3
- 本程序在对图像进行纹理分析（基于共发矩阵的方法）的基础上，获取图像不同区域的纹理特征，针对这些纹理特征，采用聚类（K-mean)的分类算法对图像进行区域划分！-procedures in the right image texture analysis (based on total fat matrix method), on the basis of access to different regions of the image texture features, these featur
textureA2
- 本程序在对图像进行纹理分析（由于共发矩阵的方法效果很不好，本程序采用基于频率域的纹理分析算法）的基础上，获取图像不同区域的纹理特征，针对这些纹理特征，采用聚类（K-mean)的分类算法对图像进行区域划分！-procedures in the right image texture analysis (due to a total of hair matrix, the effect is very bad, the program uses a frequency domain based on
clustering
- 一个聚类算法用K-mean处理后迭代，论文发表在PAK
GCluser
- 分级聚类算法：包括k-mean max-dist min-dist 程序使用方法： 程序中打开文件“.dat”-》选择聚类方法-》显示数据 .dat文件格式： 分成几类 输入样本维数 样本个数 下面依次为样本特征向量
K_MEANS
- 实现K-MEAN经典聚类算法，代码书写规范，接口简洁，值得参考
cluster-2.9
- ClustanGraphics聚类分析工具。提供了11种聚类算法。 Single Linkage (or Minimum Method, Nearest Neighbor) Complete Linkage (or Maximum Method, Furthest Neighbor) Average Linkage (UPGMA) Weighted Average Linkage (WPGMA) Mean Proximity Centroid (UPGMC)
kmean
- k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。-k-means algorithm process as follows: First of all, the object data from the n choose k
kMeansCluster
- k-Means 算法接受输入量 k ；然后将 n 个数据对象划分为 k 个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个 “ 中心对象 ” （引力中心）来进行计算的。-K-Means algorithm accepts input amount of K then the object n data is divided into k cluster so that the obtained clusteri
km
- 首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然 后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。 该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。 -First, choo
k-means
- K均值算法，将数据矩阵命名为data，设置聚类簇个数k，可对多维数据进行聚类。-K mean algorithm, the data matrix is named data, set the number of clusters K, can be used to cluster the multi-dimensional data.
K-means-cluster
- k-means算法是一种动态聚类算法，基本原理如下[24]：首先预先定义分类数k，并随机或按一定的原则选取k个样品作为初始聚类中心；然后按照就近的原则将其余的样品进行归类，得出一个初始的分类方案，并计算各类别的均值来更新聚类中心；再根据新的聚类中心对样品进行重新分类，反复循环此过程，直到聚类中心收敛为止。-K- means algorithm is a dynamic clustering algorithm, the basic principle of [24] as follows: fi
cskmeans
- k均值聚类 算法接受参数 k ;然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个"中心对象"(引力中心)来进行计算的。(kmeans cluster K means clustering algorithm accepts parameters K; N data object classification and the previously inpu
81801236k.matlab
- 利用matlab实现k均值聚类算法，亲自调试通过，对于学习k均值聚类算法有很大帮助(Using MATLAB to achieve K means clustering algorithm, personally debugging through, for learning K mean clustering algorithm is very helpful)
IABC_KMC_test_on_Iris_wine_glass
- 克服K均值聚类算法易受初始聚类中心影响的缺点，优化K均值聚类算法(The K mean clustering algorithm is easily affected by the initial cluster center, and the K mean clustering algorithm is optimized.)
七个RBF神经网络的源程序
- 包含了RBF源代码，可以用于RBF神经网络编程，其中包括RBF聚类，K均值聚类等(It includes the RBF source code, which can be used for RBF neural network programming, including RBF clustering, K mean clustering, etc.)
kmean
- 确定K均值最佳聚类数，把数据导入后运行即可(Determining the best clustering number of K mean)