搜索资源列表
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
k_meansc_meansCluster
- 基于k均值、c均值等聚类算法，应用于数据挖掘-Based on the mean k, c means clustering algorithm, etc., used in data mining
k_means
- 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。-First, a data object from the n choose k objects as in
kmeans
- k-means 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。-K-means algorithm accept parameter k Then will the n of prior input data object is divided into k clustering to make won clu
PAM
- PAM（Partitioning Around Medoid,围绕中心点的划分）算法是是划分算法中一种很重要的算法，有时也称为k-中心点算法，是指用中心点来代表一个簇。PAM算法最早由Kaufman和Rousseevw提出，Medoid的意思就是位于中心位置的对象。PAM算法的目的是对n个数据对象给出k个划分。PAM算法的基本思想：PAM算法的目的是对成员集合D中的N个数据对象给出k个划分，形成k个簇，在每个簇中随机选取1个成员设置为中心点，然后在每一步中，对输入数据集中目前还不是中心点的成员根
KMEANS
- 输入：聚类个数k，以及包含 n个数据对象的数据库。输出：满足方差最小标准的k个聚类。处理流程： （1）从 n个数据对象任意选择 k 个对象作为初始聚类中心. （2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；（3）重新计算每个（有变化）聚类的均值（中心对象） （4）循环（2）到（3）直到每个聚类不再发生变化为止-Input: number of clusters k, and n data object contains a
src
- k-means 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。-k-means algorithm accepts parameters k n and the previously input data is divided into k-clustering objects in order to make
segmentation
- Segmentation with k means clustering and mean shift
kmean-juleisuanfa
- 一个kmean聚类算法的实现，一个很好的示例，仅供大家一起参考和学习-K achieve a mean clustering algorithm, a good example, for your reference and learning together
gangking_V3.2
- 基于K均值的PSO聚类算法,包含收发两个客户端的链路级通信程序,均值便宜跟踪的示例。- K-means clustering algorithm based on the PSO, Contains two clients receive link-level communications program, Example tracking mean cheap.
k-junzhi
- 通过对K-均值算法的编程实现，加强对该算法的理解和认识。提高自身的知识水平和编程能力，认识模式识别在生活中的应用。 算法思想K-均值算法的主要思想是先在需要分类的数据中寻找K组数据作为初始聚类中心，然后计算其他数据距离这三个聚类中心的距离，将数据归入与其距离最近的聚类中心，之后再对这K个聚类的数据计算均值，作为新的聚类中心，继续以上步骤，直到新的聚类中心与上一次的聚类中心值相等时结束算法。-By programming K- means algorithm implementation, s
gengnou_v78
- 基于K均值的PSO聚类算法,均值便宜跟踪的示例，非归零型差分相位调制信号建模与仿真分析 。- K-means clustering algorithm based on the PSO, Example tracking mean cheap, NRZ type differential phase modulation signal modeling and simulation analysis.
fangyei_v51
- 基于K均值的PSO聚类算法,解耦，恢复原信号，最小均方误差（MMSE）的算法。- K-means clustering algorithm based on the PSO, Decoupling, restore the original signal, Minimum mean square error (MMSE) algorithm.
AIS
- 船舶AIS轨迹提取，作出船舶AIS轨迹图。在此基础上，实现基于空间相似距离的K均值轨迹聚类。算法可以自定义轨迹聚类初始轨迹或者由程序随机生成初始轨迹，采用迭代的方法直到确定最终的聚类中心。-The extraction of ship AIS trajectory, make ship AIS trajectories. On this basis, to achieve similar K mean trajectory clustering based on distance space.
kmeans (2)
- k mean code for clustering data
Speech Processing Analysis - MATLAB
- The number of states in GMM as the generative model of the frames is obtained using k-means algorithm. This also helps to initialize the mean vector and the covariance matrix of the individual state of the GMM. The training LPC frames collected fro
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
Rolling bear
- 采用PCA白化和K均值对轴承故障进行聚类分析(Clustering analysis of bearing failure by PCA whitening and K mean)
AP聚类
- AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。(AP clustering algorithm is a kind of clustering algorithm based on "information transfer" between data points. Unlike the k- mean algorithm or the k center point
聚类算法
- 文件夹中主要有二维的K-means，gmm，mean-shift，三维的K-means聚类算法的程序，同时已经经过本人验证无误，可以成功运行，有问题的可以私下交流。(Folder mainly two-dimensional k-means, GMM, mean-shift, three-dimensional k-means clustering algorithm procedures, at the same time has been verified by myself, can be