搜索资源列表
cmean
- 这个算法的基础是误差平方和准则，为了要得到最优结果，首先要对样本集进行划分，一般的做法是先选择一些代表性的点作为聚类的核心，然后把其余的点按照某种方法分到各类中去。-This algorithm is based on error sum of squares criterion, in order to get the optimal results, first of all to sample set division, the general practice is to choose
Kmeans
- 统计学中，聚类的划分K-means算法，可以较好地实现不同数据点之间的分离-K-means algorithm used to do partition in a large amount of data points
kmeansmatlab
- 用Kmeans聚类方法实现随即点的分类，在二维平面上以均匀分布随机多个点，输入所需聚类数以得到聚类结果-Classification and clustering results to obtain a uniformly distributed random multiple point, enter the desired number of clusters in a two-dimensional plane the Kmeans clustering method immediatel
CH3Clustering
- 基于k-means的聚类编程，例如：随机选取k个中心点，经过计算每个点到k个中心距离的远近，将其归类。最后总的距离平方差最小，即停止。-Programmed based on k-means clustering, for example: randomly select k central point has been calculated for each point to the k center distances, will be classified. The final total
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
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.
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.
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
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.
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.
kmeans
- k-means 算法用java实现对二维点集合的分类 输入相应的类别数 选择聚类中心-k-means algorithm to classify the input using java-dimensional set of points corresponding to the number of categories to select the cluster centers
dbscan
- DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它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) is a more represent
julei
- 根据要划分的聚类的群数选择原始数据的索引位置点随机选取簇类中心-Divided according to the number of clusters to select the original data clustering index position of the center point of the class were randomly selected clusters
dbscanPointcloud
- 用DBSCAN聚类算法实现的三维点云的聚类-using DBSCAN to realise 3d pointcloud clustering