搜索资源列表
ordinary_algorithm_for_pattern_recognition
- 使用C语言实现的一些简单模式识别聚类算法，用于简单的二维坐标系点的聚类。有最短距离算法、K均值算法、近邻算法、fcm算法、最大最小距离算法。-Using the C language implementation of some simple pattern recognition clustering algorithm for a simple two-dimensional coordinate system point of clustering. Has the shortest di
DBSCANClusteringAlgorithm
- 聚类算法MATLAB程序实现，聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。-DBSCAN_Clustering Algorithm
kmeans
- 经典的k-means程序,包含了很多的数据集，具有几点的聚类程序的描述。以供大家参考。-kmeans
FCM
- ,将其与模糊C2均值(fuzzy C2mean , FCM) 聚类方法结合设计了一种进化FCM故障识别方法。该方法通过离线优选虚拟标准样本,达到快速、准确在线识别故障的目的,很好地解决了FCM算法经常收敛到局部极值点 的问题-this paper describes fcm and ga combining successfully.it can solve the problem easily!
k-means
- 用c程序和matlab分别试验一种k-means改进算法，按照方法选取聚类中心点，事实证明，这种改进是有效的。-Matlab with c procedures and were experimenting with an improved k-means algorithm, in accordance with the method of selecting cluster center, the facts show that this improvement is effective.
k-means-new
- 聚类算法的C++实现，实现了一维点的聚类，命令行输入-Clustering algorithm C++ implementation to achieve the one-dimensional point of the cluster, the command line enter
test
- 系统聚类，设有一空间点群，其中n=12，空间点位坐标如下表所示，根据系统聚类方法中的最短距离统计量进行聚类分析-Cluster, has a space group, where n = 12, space coordinate points in the following table, according to the system in the shortest distance clustering method for cluster analysis statistics
cluster
- 基于kemans算法的聚类，初始点投放基于最远距离的方法-Clustering algorithm based on kemans, the initial point of delivery methods based on the most remote
ISODATA
- ISODATA算法实现。通过该算法对平面内产生的点进行聚类。编译运行，在程序客户区双击左键，按照参数设置对话框的说明设置参数，选择“产生模式”或“参数设置”，可产生模式或对已产生的模式进行聚类。-The realization of ISODATA algorithm.Generate and run the .exe file, set the parameters according the dialog,you can get the result!
Harris
- 研究一种红外医学图像处理与分析方法,实现红外人脸图像中特征区域的自动定位。方法 针对红外正面脸部图像,采用一种无监督的局部和全局的特征提取方法,首先通过阈值法区分出前景和 背景,并根据面部特征对称性在前景中确定鼻区 然后在面部确定一个包含所有特征的矩形区域,利用 Harris算子在该区域检测出角点,并找出这些点的局部最大值点 最后用K-means方法对这些点进行 聚类 -To develop an mi age analyzing procedure forautomatic
Code_MATLAB_Statistical_Analysis
- 这是张德丰《MATLAB概率与数理统计分析》随书源码(M文件)。代码包括的内容有：概率分布计算及统计特征、数字特征计算、统计图绘制(盒状图、散度图等)、点估计和区间估计、假设检验、方差分析、曲线拟合、回归分析、因素分析、聚类分析、正交实验设计分析、多元方差分析、判别分析、隐马尔可夫模型建模与参数估计和在语音识别中的应用。-This is Zhang Defeng " MATLAB Analysis of probability and mathematical statistics,&
6.5
- 一种分簇算法，适合用于数据聚类，将相似的点集合到一个簇内。-Its a new method of clustering,useing this clustering algorithm ,you can obtain a cluster which is stable
maxmin
- 模式识别 是个样本点的聚类问题 最大最小算法实现 VC++6.0编译通过-Pattern recognition is a problem of sample points of maximum and minimum clustering algorithm compiled by VC++6.0
code
- meanshift算法在matlab中聚类三维点集-meanshift clustering algorithm in three-dimensional point set in matlab
clustering-programming
- 聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。 -Cluster (Cluster) analysis was performed by a number of models (Pattern) composed of, usually, model is a measure of (Measurement
the-distance
- 以计算样本点到聚类中心的距离为例，学到matlab中矩阵在加权指数,迭代次数和误差的相关应用-Sample points to calculate the distance to the cluster center, for example, learn matlab in the matrix in the weighted index, the number of iterations and errors related applications
kmeandm
- kmeans 聚类算法 实现对txt文件中的点内容的聚类-kmeans clustering algorithm
k-means
- K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。-K-means algorithm is based on the division of the classic clustering method, is ten classic one of data mining algorithm. K-means the
MARK_Kmeans
- 使用k-means算法对一副RGB色彩空间的图像作简单的聚类。根据命令行提示输入聚类的大小K，程序自动计算每一个像素点的归属并着色该点为该类的色彩均值。工程运行于VS2008环境，需要OpenCV支持。Debug目下exe文件可以直接双击运行查看结果。-Using k-means algorithm on an RGB color space images to make a simple clustering. According to the command prompt enter the
iosdata(N-dimension)
- ISODATA算法实现由原来二维扩展到任意维样本点得聚类分析，具有很强的应用性，代码中对原理性东西作了详细的注释-ISODATA algorithm extended to any dimension from the original two-dimensional sample points have to cluster analysis, has a strong application, the code of the principle of detailed notes of wh