搜索资源列表
k-means-segamen-method
- 本实验基于K-Means聚类算法思想实现了字符分割，因为车牌规定是7位的，所以K取7。另外本实验对K-Means算法进行了改进，充分考虑了初始点的设置及迭代结束条件。实验结果证明这种改进的K-Means算法实现车牌字符分割是快速、有效的。-In this study, K-Means clustering algorithm based on the ideology of the character segmentation, because the license plate require
K_Mean
- K均值KMean聚类算法，详细使用方法见cpp文件注释，输入数据格式：点，如 1 空格 1 回车 2 空格 2 。。。 -K-means clustering algorithm KMean detail see cpp files to use notes, input data formats: point, such as 1 Enter 2 spaces 1 space 2. . .
selfAffinity
- AP是在数据点的相似度矩阵的基础上进行聚类.对于规模很大的数据集,AP算法是一种快速、有效的聚类方法,这是其他传统的聚类算法所不能及的,-A semi-supervised clustering method based on affinity propagation (AP) algorithm is proposed in this paper. AP takes as input measures of similarity between pairs of data points. AP
weka-src
- weka源代码 最全最新的 数据挖掘用机器学习实现。包含聚类 分类 关联规则 离群点监测。java平台-weka most up-to-date source of data mining using machine learning to achieve. Clustering association rules classification contains outliers monitoring. java platform
Autoclust.pdf.tar
- 这就是点集自动聚类的算法，基于delaunay三角剖分。-This is the point set automatic clustering algorithm, based on the delaunay triangulation.
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-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
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!
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
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
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
K-average(N-dimension)
- K均值聚类算法实现有二维的聚类扩展到任意维样本点的聚类，代码中附加了详细的原理性说明，还有相关例子提示，效果不错-K-means clustering algorithm to achieve a two-dimensional clustering extends to any dimension of the cluster sample points, the code attached to the principle of detailed instructions, and tips
Kmean2
- 随机产生的点进行K-means方法聚类，给大家做一个参考，随机数据的分类-Randomly generated points in K-means clustering method, to give you a reference, the classification of random data
K-MEANS-N
- K均值聚类算法实现有二维的聚类扩展到任意维样本点的聚类.-K-means clustering algorithm to achieve a two-dimensional clustering extends to any dimension of the cluster sample points.
kmeans
- 数据挖掘Kmeans算法C/C++语言实现。 提供接口让使用者可以指定输入输出文件、聚类结果中类别个数、中心点计算方式、初始化方法。-Kmeans,data mining algorithms,C/C++language. Provides the interface so that users can specify the input and output file, type in the number of clustering results, the center of ca
k-means
- c++实现k均值源码，实现了k-means的算法，并给出界面显示。实例中通过二维空间中的点进行聚类-c++ k-means algorithm, display the cluster result on the two demension
DataMining
- 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。-With the picture (choose your own) as data sets, more running time (draw time and pixels relations diagram, so must use many different
No-Blurring
- 利用均值漂移进行聚类分析。属于非模糊均值漂移聚类，就是所有数据都固定不动，从某个点进行搜索。-mean shif based clustering .
apcluster
- AP聚类算法：Affinity Propagation (AP) 聚类是最近在Science杂志上提出的一种新的聚类算法。-Affinity Propagation (AP) 聚类是最近在Science杂志上提出的一种新的聚类算法。它根据N个数据点之间的相似度进行聚类,这些相似度可以是对称的,即两个数据点互相之间的相似度一样(如欧氏距离) 也可以是不对称的,即两个数据点互相之间的相似度不等。这些相似度组成N×N的相似度矩阵S(其中N为有N个数据点)。AP算法不需要事先指定聚类数目,相反它将所有的