搜索资源列表
使用减法聚类初始化fcm算法的聚类中心
- 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
kMedoids.rar k-中心聚类算法的matlab实现
- k-中心聚类算法的matlab实现。直接读取文档数据，没有维限制。,k-Medoids clustering algorithm matlab implementation. Document data read directly, there is no dimension restrictions.
GAFCM
- 遗传算法改进的模糊C-均值聚类MATLAB源码 模糊C-均值算法容易收敛于局部极小点，为了克服该缺点，将遗传算法应用于模糊C-均值算法(FCM)的优化计算中，由遗传算法得到初始聚类中心，再使用标准的模糊C-均值聚类算法得到最优分类结果。 -Value algorithm (FCM) of the optimization calculations, by the genetic algorithm is the initial cluster centers, and the
最短距离聚类的matlab的实现
- 最短距离聚类的matlab的实现，最短距离聚类 %说明：此程序的优点在于每一步都是自己编写的，很少用matlab现成的指令， %所以更适合于初学者，有助于理解各种标准化方法和距离计算方法。 %程序包含了极差标准化（两种方法）、中心化、标准差标准化、总和标准化和极大值标准化等标准化方法， %以及绝对值距离、欧氏距离、明科夫斯基距离和切比雪夫距离等距离计算方法。
C-means
- 使用c-均值聚类算法在IRIS数据上进行聚类分析，随机选择三个初始聚类中心，经过多次迭代，最终将150个样本分为三类。-Use c-means clustering algorithm in the IRIS data on the cluster analysis, three randomly chosen initial cluster centers, through a series of iterative, 150 samples will eventually fall into
kmean
- 给定很多数据点之后找这些类的聚类中心，然后重新分类。-Given after a lot of data points to find these kind of cluster center, and then reclassified.
Cjulei
- 利用模糊c—均值聚类方法将data 数据向量；3表示分成三类；center表示分类中心-Using fuzzy c-means clustering method to the data vector data 3 that is divided into three categories center said the classification center
ISODATA MATLAB编码
- 迭代自组织数据分析算法（Iterative Self-Organizing Data Analysis Techniques Algorithm，ISODATA）与K均值算法有相似之处，即聚类中心的位置同样是通过样本均值的迭代运算决定。不同的是，这种算法在运算的过程中聚类中心数目不是固定不变的，而是反复进行修改，以得到较合理的类别数K，这种修改通过模式类的合并和分裂来实现，合并和分裂在一组预先选定的参数指导下进行。
k_means
- 用kmeans算法处理资源3号卫星图像，用欧式距离来计算聚类中心，在用前后两次聚类之间的误差来决定迭代次数(Kmeans algorithm is used to deal with the resource 3 satellite image, and the Euclidean distance is used to calculate the clustering center. The number of iterations is determined by the error bet
kmeans
- 基于k均值的无监督聚类算法，输出有各个样本的类别标签，目标函数在每次迭代后的值，聚类中心以及聚类区间。内有测试数据，点击 test.m 可以完美运行。(The unsupervised clustering algorithm based on K means outputs the class labels of each sample, the value of the target function after each iteration, the clustering center a
warp-kmeans
- 传统的kmeans聚类算法不能保证时间序列聚类结果的时序性；基于warp-kmeans聚类算法可以有效处理时间序列的聚类问题，而且复杂度低，迭代次数少。 ，输出有目标函数在每次迭代后的值，聚类中心以及聚类区间。内有测试数据和相关文献，点击 test.m 可以完美运行(The traditional kmeans clustering algorithm can not guarantee the time series of the time series clustering results
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.)
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)
模糊C均值聚类算法
- 模糊c-均值聚类算法通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的，一般用于故障识别与分类。(Fuzzy c- mean clustering algorithm obtains the membership degree of every sample point to all class centers by optimizing the objective function, and determines the classifi
FCM
- 使用模糊C均值聚类（FCM）的方法对状态进行分类，其优点首先是可以根据实际情况自动确定聚类中心，减少人工干涉的因素，其次，对状态特征参数不是进行硬分类，而是通过隶属度的表征方式对其聚类，更加符合现实状态类别之间不具备明显界限的实际问题。(The use of fuzzy C mean clustering (FCM) method to classify the state, its advantage is first can automatically determine the clust