搜索资源列表
k_Mean
- K聚类分析，通过使用欧式距离，K聚类方法显示聚类结果，用于分类
模糊C-均值（FCM）聚类算法Matlab实现
- 模糊聚类是一种重要数据分析和建模的无监督方法。简单概述模糊聚类的概念，介绍模糊C-均值（FCM）算法，并在matlab软件上对该算法进行仿真，结果表明，该算法设计简单，应用范围广，但改算法仍存在容易陷入局部极值点等问题，还需进一步研究
a.rar
- 模糊聚类分析分析的MATLAB实现，并且以图形的方式呈现了模糊聚类分析的结果。,Analysis of fuzzy cluster analysis to achieve the MATLAB and graphical way to show the results of fuzzy cluster analysis.
ISODATA
- ISODATA算法是一种基于统计模式识别的，非常经典的非监督学习动态聚类算法，有较强的实用性。ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。-ISODATA algorithm is based on statistical pattern recognition, unsupervised learning is the classic dynamic clustering algorithm
fcm
- 一个关于FUZZY kmeans算法的matlab源程序 有带聚类分析结果-Kmeans algorithm on matlab source are the result of cluster analysis with
ClusterAnalysis
- 现在我们给定两幅ALV路标的捕捉图像，我们实际工作中首先要捕获路标（这里我们假定环境中已经有路标），而此时的景象是难以预知的：我们不知道路标在什么位置、是什么路标、除了路标还有那些图像模式？ 基本要求：使用本章学习的K－平均算法，以颜色分量（或几何性状）作为坐标参数，对景象图进行聚类分析，要求最后的分类结果将路标（可能包括少量相似区域）聚类为一个模式类别。试验报告同前面一样，要求给出样本模式点，绘制坐标图（标出各个聚类中心的迭代移动轨迹） ，绘制算法框图，给出结论。并检查上机结果。 -e
Cluster
- 使用分解聚类算法在IRIS数据上进行聚类分析，IRIS数据是由鸢尾属植物的三种单独的花的测量结果所组成，模式类别数为3，特征维数是4，每类各有50个模式样本，总共有150个样本。-The use of decomposition in the IRIS data clustering algorithm on the cluster analysis, IRIS data are from the iris flower three separate components of the meas
ISODATA2
- ISODATA算法是一种基于统计模式识别的，非常经典的非监督学习动态聚类算法，有较强的实用性。ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。-ISODATA algorithm is based on statistical pattern recognition, and very classic dynamic clustering of non-supervised learning algor
KAV
- KAV是利用Visual C++ 6.0编写的一个小程序，能实现对特定数据结果的文本数据进行聚类分析，所使用的聚类方法是K均值。 -KAV is the use of Visual C++ 6.0 to prepare a small procedure to achieve the outcome of specific data on the text data clustering analysis, the use of the K-means clustering method.
juleihefenlei
- 对一组样本通过C-means算法进行聚类分析，然后对聚类结果用感知器算法进行分类，是模式识别课程的实验。-Samples of a group through the C-means cluster analysis algorithm, and then the results of the clustering algorithm used to classify perceptron is a pattern recognition course experiment.
work_for_pattern_recognition
- 通过设计线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征，设计支持向量机对给定样本进行有效分类并分析结果。-By designing a linear classifier minimum risk Bayes classifier supervised learning method hierarchical cluster analysis K-L transform to extract efficient features, designed to
1
- 论述了医学图像挖掘在计算机辅助诊断中的作用，提出了采用灰度级作为 CT 图像特征的思想、灰度级的提取和存储方法，介绍 了采用决策树分类算法和基于密度的聚类算法对胸部和头部 CT 图像进行分类和聚类的结果及其分析，给出了分析的结论和进一步的研究方向。-Image mining Computer-aided diagnoses Luminance grade Classification Clustering
suanfashixian
- 通过聚类分析算法实现可以得到想要的聚类结果-Clustering algorithm to use java analysis
FCM-C-mean-cluster-segment-[matlab]
- 模糊C均值聚类的matlab实现，模糊C均值聚类是一种利用模糊数学做的聚类方法，属于图像分割的一种。可利用聚类结果用于图像分析和识别。-FCM,C mean cluster segment [matlab].rar
zuoye4
- 用FAMALE.TXT、MALE.TXT的数据作为本次作业使用的样本集，利用C均值聚类方法对样本集进行聚类分析，对结果进行分析.-Use FAMALE. TXT, MALE. TXT data as the assignment is to use the data sets, using the c-means clustering method of the sample set clustering analysis, the analysis of the results.
ISODATA
- ISODATA聚类算法，使用C++代码来实现，对Haberman的生存数据数据进行聚类, 改变初始参数观察结果变化，然后使用OPENGL将聚类结果可视化输出，最后对结果加以分析。(According to the basic idea of ISODATA algorithm flow chart of ISODATA algorithm, and implemented using C++ code, clustered survival data on Haberman data, chan
K-Means PCA降维
- K-Means算法,不要求建立模型之后对结果进行新的预测，没有相应的标签，只是根据数据的特征对数据进行聚类。主成分分析降维对数据进行可视化操作,对features进行降维.(K-Means algorithm does not require the establishment of the model after the new prediction of the results, there is no corresponding tag, but only on the character
ClusteringMeasure
- 用于聚类结果的分析，包括三种评测指标，ACC，PUR，NMI。(Use for the analysis of the clustering result.)
automatic_image_segement
- 本文以k-means算法为背景，引入信息熵相关知识，从而实现全自动分割图像。然而在利用混合高斯模型对图像进行数据分析时，会发生一定的过拟合现象，导致我们得不到预期的聚类数目。本文设计合理的合并准则，令模型简化，有效地消除过拟合现象，使得最后得到的聚类数目与预期符合。，设计合理的准则改进了图像的全自动分割方法，使得分割结果更加优化(In this paper, k-means algorithm is used as the background, and information entropy
k均值聚类
- 通过比较自编MATLAB 的k-means 算法程序和SPSS 中自带的k-means聚类工具，对两个数据集聚类，并分析了聚类结果。(By comparing the k-means algorithm program of self-compiled MATLAB with the K-means clustering tool of SPSS, two data sets are clustered and the clustering results are analyzed.)