搜索资源列表
databricks-spark-reference-applications.pdf.tar
- 摘要: 现有的聚类算法比如 CluStream 是基于 k-means 算法的。这些算法不能够发现任 意形状的簇以及不能处理离群点。 解决上述问题,本文提出了 而且, 它需要预先知道 k 值和用户指定的时间窗口。 为了 分将数据映射到一个网格, D-Stream 算法,它是基于密度的算法。这个算法用一个在线部 在离线部分计算网格的密度然后基于密度形成簇。 度衰减技术来捕获数据流的动态变化。 为了探索衰减因子、 数据密度以及簇结构之间的关系, 我们的算法能够有效的并且有效率
MeanShift
- meanShift,均值漂移，在聚类、图像平滑、分割、跟踪等方面有着广泛的应用。一般是指一个迭代的步骤，即先算出当前点的偏移均值，然后以此为新的起始点，继续移动，直到满足一定的结束条件。(MeanShift, mean shift is widely used in clustering, image smoothing, segmentation, tracking and so on. Generally refers to an iterative step, that is, first
fuzzy c-means
- 基于fuzzy c-means（FCM）的无监督模糊聚类算法，输出值有：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data.mat，点击 test.m 可以完美运行。(The unsupervised fuzzy clustering algorithm based on fuzzy c-means (FCM) outputs the class labels of each sample, the value of the target function
M8激光雷达动目标跟踪仿真
- 模拟八线激光雷达产生点云数据，实现目标聚类，并对聚类的目标进行跟踪。(Simulated eight line lidar generates point cloud data, achieves target clustering, and tracks the clustering targets.)
k-means
- k-means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 c++实现代码(C++ implementation code of k-means)
uljru5
- 一个CURE聚类算法 应用了K中心点算法 采用空间坐标聚集()
715102
- K-Means是k_中心点法的聚类过程代码,()
kmeans
- 基于windows平台和k-聚类算法，对平面点集进行聚类(Based on the windows platform and the k- clustering algorithm, the plane point set is clustered)
3975820
- 神经网络中的K均值聚类算法II： 1 KMIn为输入数据文本,其中,第一个参数为所要聚类点个数,第二个参数为聚类点的维数,第三()
PSO_Kmeans
- K-means聚类算法，基于PSO改的聚类算法，对初始点的选择进行优化(K-means clustering algorithm, based on PSO modified clustering algorithm, optimized the selection of the initial point.)
muuwcy
- 一个CURE聚类算法 应用了K中心点算法 采用空间坐标聚集()
17196052
- 神经网络中的K均值聚类算法II： 1 KMIn为输入数据文本,其中,第一个参数为所要聚类点个数,第二个参数为聚类点的维数,第三()
X-means
- 对K-means聚类算法的改进X-means算法。针对K值如何设定的问题，利用BIC准则判断聚类点数量。同时附有两个初始聚类点的选择程序，自己选吧。(The improved X-means algorithm for K-means clustering algorithm. In view of the problem of how to set the K value, the number of clustering points is judged by the BIC criteri
Density-ratio-based-clustering-master
- 相比其他的聚类方法，基于密度的聚类方法可以在有噪音的数据中发现各种形状和各种大小的簇。DBSCAN（Ester, 1996）是该类方法中最典型的代表算法之一（DBSCAN获得2014 SIGKDD Test of Time Award）。其核心思想就是先发现密度较高的点，然后把相近的高密度点逐步都连成一片，进而生成各种簇(Compared with other clustering methods, the density based clustering method can find var
k-means程序
- 介绍了k-means 均值聚类，能很好的将离散的点，聚类成几个指定的聚合点。(The K-means mean clustering is introduced, and the discrete points can be well clustered into several designated aggregation points.)
dbscan
- 有代表性的基于密度的聚类算法 ，将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。(DBSCAN(Density-Based Spatial Clustering of Applications with Noise))
K-means
- K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是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算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。(The K-means algorithm is a hard clustering algorithm, which is representative of the prototy
globle_kmeans
- 全局k-means算法，可有效解决传统k-means算法受初始点影响的缺陷，该方法可获得数据稳定的聚类结果。
BA6
- 展示了如何生成一个随机无标度网络图，基本结构分析，包括度分布、聚类系数等。观察两种类型的攻击对网络的影响：随机攻击（所有的几点有相同的概率从网络中删除）、有目标地选择连接度最大的节点（节点度最大的节点从网络中删除）。(Shows how to generate a random scale-free network graph, basic structural analysis, including degree distribution, clustering coefficients, e
PointClouds
- PCL库的C#封装，用于点云的处理，包括点云读取，显示，分割，分类，聚类等(C# wrapper of point cloud library.)