搜索资源列表
mopsoGECCO.tar
- The last step in training phase is refinement of the clusters found above. Although DynamicClustering counters all the basic k-means disadvantages, setting the intra-cluster similarity r may require experimentation. Also, a cluster may have a
k-means
- 基于K-means聚类算法的社团发现方法 先定义了网络中节点关联度,并构建了节点关联度矩阵, 在此基础上给出了一种基于 K-means聚类算法的复杂网络社团发现方法。 以最小关联度原则选取新的聚类中心, 以最大关联度原则进行模式归类,直到所有的节点都划分完为止, 最后根据模块度来确定理想的社团数-K-means clustering algorithm based on the association discovery To define a network node cor
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-meansNB
- ：将K—means算法引入到朴素贝叶斯分类研究中，提出一种基于K—means的朴素贝叶斯分类算法。首先用K— me．arks算法对原始数据集中的完整数据子集进行聚类，计算缺失数据子集中的每条记录与 个簇重心之间的相似度，把记 录赋给距离最近的一个簇，并用该簇相应的属性均值来填充记录的缺失值，然后用朴素贝叶斯分类算法对处理后的数据 集进行分类。实验结果表明，与朴素贝叶斯相比，基于K—means思想的朴素贝叶斯算法具有较高的分类准确率。-: K-means algorithm will
ClusterEnsembleV10
- Alexander Strehl的CLUSTER ENSEMBLE算法----------------------------------------------------------------------- CLUSTERENSEMBLE README Alexander Strehl Version 1.0 2002-04-20 -------------------------------------------------------------------
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
NewK-means-clustering-algorithm
- 珍藏版，可实现，新K均值聚类算法，分为如下几个步骤： 一、初始化聚类中心 1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。 2、用前C个样本作为初始聚类中心。 3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。 二、初始聚类 1、按就近原则将样本归入各聚类中心所代表的类中。 2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，
Kode-Program-Algoritma-Fuzzy-C-Means
- Fuzzy clustering is a class of algorithms for cluster analysis in which the allocation of data points to clusters is not "hard" (all-or-nothing) but "fuzzy" in the same sense as fuzzy logic.
kmeansK
- KMEANSK Performs K-means clustering given a list of feature vectors and k The argument k indicates the number of clusters you want the data to be divided into. data_vecs (N*R) is the set of R dimensional feature vectors for N data points. E
k-means-clustering
- 用C语言程序通过先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。-C Programming Language by first randomly selected the K object as initial cluster centers. And then calculate the distan
3upload
- This algorithm is designed to segment an satellite image using Kmeans, and then all kmeans clusters Satellite image (target image) and template image using local binary pattern (LBP) and then applied various template matching techniques between LBP K
KMeans
- K-均值聚类算法，属于无监督机器学习算法，发现给定数据集的k个簇的算法。 首先，随机确定k个初始点作为质心，然后将数据集中的每个点分配到一个簇中，为每个点找距其最近的质心， 将其分配给该质心对应的簇，更新每一个簇的质心，直到质心不在变化。 K-均值聚类算法一个优点是k是用户自定义的参数，用户并不知道是否好，与此同时，K-均值算法收敛但是聚类效果差， 由于算法收敛到了局部最小值，而非全局最小值。 K-均值聚类算法的一个变形是二分K-均值聚类算法，该算法首先将所有点作为一个簇，然
all-of-Cluster
- 大多数经典聚类分析算法的matlab实现，包括K均值、模糊聚类（FCM）、SOM、Kohonen、EM、DBSCAN、等！-ON划词翻译ON实时翻译 Most of the classical clustering algorithm matlab implementation, including K means, fuzzy clustering (FCM), SOM, Kohonen, EM, DBSCAN, etc.!
clusterWSN
- All five matlab file relate to the cluster structure of wireless sensor network. LEACH, BCDCP, ERP, HEED and so on are very helpful to do the simulation.
PIM-fuzzy-c-means
- Partition index is a measure ofvalidity similar to partition coeGcient, based on using Pj = ci=1 (uij)m as a measure ofhow well the jth data point has been classi- 2ed. The closer a pixel is to a codebook entry, the closer Pj is to one. Ifa
k-medoids
- 聚类算法中的k-medoids算法，和 k-means 肯定是非常相似的。事实也确实如此，k-medoids 可以算是 k-means 的一个变种。k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-medoids 算法中，我们将从当前 cluster 中选取这样一个点——它到其他所有（当前 cluster 中的）点的距离之和最小——作为中心点。-Clustering algorithm k-medoids algorithm, and k-means is certa
K-mean
- 聚类算法中的k-means算法，和k-medoids 肯定是非常相似的。k-medoids 和 k-means 不一样的地方在于中心点的选取，在 k-means 中，我们将中心点取为当前 cluster 中所有数据点的平均值。-Clustering algorithm k-means algorithm, and k-medoids certainly very similar. k-medoids and k-means not the same place that the center o
K-means-cluster
- k-means算法是一种动态聚类算法，基本原理如下[24]：首先预先定义分类数k，并随机或按一定的原则选取k个样品作为初始聚类中心；然后按照就近的原则将其余的样品进行归类，得出一个初始的分类方案，并计算各类别的均值来更新聚类中心；再根据新的聚类中心对样品进行重新分类，反复循环此过程，直到聚类中心收敛为止。-K- means algorithm is a dynamic clustering algorithm, the basic principle of [24] as follows: fi
K-means-clustering-algorithm
- k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。-K-means clustering is one of the most famous partitioning clustering algorithm, due to the simplicity and efficiency makes him become the most widely used
fingtun
- 包括AHP，因子分析，回归分析，聚类分析，完整的图像处理课设，包含所有源代码，汽车图像，各种kalman滤波器的设计。- Including AHP, factor analysis, regression analysis, cluster analysis, Complete class-based image processing, contains all of the source code, auto image, Various kalman filter design.