搜索资源列表
fcm
- fcm 聚类两个k近邻算法，k近邻的非正式描述，就是给定一个样本集exset，样本数为M，每个样本点是N维向量，对于给定目标点d，d也为N维向量，要从exset中找出与d距离最近的k个点(k<=N)，当k=1时，knn问题就变成了最近邻问-fcm cluster
K-medoids-with-the-analysis-
- 基于聚类的K中心点算法，附带说明文档，代码简单高效，很好的利用了矩阵的代数运算。数学思想较为高深，但通过仔细研读说明文档和动手操作，matlab数学分析能力可以得到有效的提高-K medoids clustering annotated document, the code is simple and efficient, good use of matrix algebra operations. Mathematical thinking is more profound, but by c
KDTree2Kmeans
- 基于kdtree的kmeans聚类算法，在选择最近邻中心点时使用kdtree的检索功能，提高了检索效率，特别是当k较大时，效果明显提升-kmeans clustering algorithm based on kdtree，used in selecting the center point of the nearest neighbor the kdtree retrieval function, and improve the retrieval efficiency has improve
Fusion-based-Sensor-Placement
- 论文 在使用无线传感器网络进行目标检测时,如何布置尽可能少的传感器节点而同时实现高的正确检测概率和 低的误警率,是关键问题之一。采用数据融合技术,能实现传感器节点之间的协同,从而大幅提高目标检测精度。提 出了用于目标检测的精度模型,分析了数据融合半径与传感器节点密度之间的关系,设计聚类方法将目标点组织成布 置单元,从高密度单元到低密度单元布置传感器节点覆盖目标区域。仿真结果表明,算法在保证检测精度的同时能有 效减少所使用的传感器节点数目。 - Sensor placeme
K_means
- k均值算法实现聚类,利用数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则-k-means clustering algorithm, the use of the data points to the prototype of a distance as the objective function of optimization, the use of function extremum iteration adjustment rules
kmeans_with_outlier_eliminate
- 自己写的kmeans聚类并消除异常点的matlab代码。-kmeans clustering matlab code with outliers eliminate.
kmeans
- kmeans聚类，c++源代码，任意中心点选择，迭代到收敛-kmeans clustering
k_means
- k-means聚类方法 编写k-means聚类方法对这些点进行聚类-k-means clustering method to write k-means clustering method to cluster these points
em
- EM算法，用于实现数据集的聚类，这个是已经改进了的EM算法通过统计找到中心点再进行迭代。-EM algorithm for clustering data sets, this is the EM algorithm has been improved through the statistics to find the center of the re-iteration.
ttt
- 寻找聚类的初始点的算法，先找到均值点然后选择距离最远的点为初始点-Looking clustering algorithm initial point, first find the mean point and then select the furthest point from the initial point
small-world-networks
- 1998年, Watts和Strogatz 提出了小世界网络这一概念,并建立了WS模型。 实证结果表明,大多数的真实网络都具有小世界特性(较小的最短路径) 和聚类特性(较大的聚类系数) 。 WS小世界模型构造算法 1、从规则图开始：考虑一个含有N个点的最近邻耦合网络，它们围成一个环，其中每个节点都与它左右相邻的各K/2节点相连，K是偶数。 2、随机化重连：以概率p随机地从新连接网络中的每个边，即将边的一个端点保持不变，而另一个端点取为网络中随机选择的一个节点。其中规定，任意两个不同的
Matlab_analyse_traffic_jam_status
- 根据深圳市出租车GPS数据所提供的信息，针对交通出行数据的空间分布特征，选取了4月18号这天的全天数据出租车载客后的行驶数据， 利用mtalab对数据的处理，筛选出出租车的起始点及拥堵的时段的行驶数据并通过kmeans聚类分析设定拥堵的标准，得到对于出租车在路段上的车速在小于2.15公里/小时的时候可以认为非常拥堵，拥堵的时段 5:00-7:00,12:00-14:00,19:00-21:00，非常拥堵的时间段为5:00-7:00，19:00-21:00。-analyse traffic jam
secai
- 简单的K均值聚类法，本文中选用了5个聚类中心点，具体的聚类中心个数可以参考灰度直方图来选取-Simple K-means clustering method, this paper has selected five cluster center, the specific number of cluster centers can refer to the histogram to select
rs-rr-order
- 水文趋势、突变点分析的matlab相关程序：相关系数法、极差 标准差RS法、有序聚类法-Hydrological trends point mutation analysis matlab procedures: correlation coefficient method, very poor standard deviation RS method, sequential clustering method
amend1
- 用C语言实现的K均值聚类算法，一共有3个类，并且给出了150个样本点，样本点为四维数据-Those files implements the function of classifying the four dimensional data by using the K-mean algorithm.
kmeans_report
- 数据挖掘kmeans图像聚类实验,用 VC 或 Java 实现 k-means 聚类算法， 分别以迭代次数及分配不再发生变化为算法终止条件，用图片（自己选择）作为数据集，比较运行时间（画出时间与像素点的关系曲线图，因此须用多幅像素个数不同的图片进行实验） 提交实验报告与源代码-Data mining kmeans image clustering experiments, using VC or Java implementation of k-means clustering algorith
kmeans_report
- 数据挖掘kmeans图像聚类实验,用 VC实现 k-means 聚类算法， 分别以迭代次数及分配不再发生变化为算法终止条件，用图片（自己选择）作为数据集，比较运行时间（画出时间与像素点的关系曲线图，因此须用多幅像素个数不同的图片进行实验）,提交实验报告与源代码-Kmeans image clustering data mining experiments with VC k-means clustering algorithm, respectively, the number of itera
fuzzy_cluster1
- fuzzy_cluster模糊聚类分析，本函数使用的是直接聚类法，直接输出聚类信息，无返回值 输入参数data是需要分类的数据，将会对data的列分类，请输入数据前把需要分类的向量按列保存到矩阵data 输入参数numda是分类的分类点，如果不知道可以先省略，系统默认1-0依次减小用以方便判断分割点，然后用户再细分- Fuzzy_cluster fuzzy clustering analysis, the function uses the clustering method i
k_mean
- k-mean算法实现，总要是完成数据的聚类，寻找中心点的程序！-k-mean algorithm, if the completion of the total clustering of data, find the center of the program!
k_mean
- 运用k_mean算法，实现对指标点的聚类分析，然后找出其中的中心点。-Use of k_mean algorithm, realize the index point of clustering analysis, and find out the center.