搜索资源列表
KMEANS
- K-MEANS算法 输入：聚类个数k，以及包含 n个数据对象的数据库。 输出：满足方差最小标准的k个聚类。 处理流程： （1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心； （2） 循环（3）到（4）直到每个聚类不再发生变化为止 （3） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分； （4） 重新计算每个（有变化）聚类的均值（中心对象）
k_means
- K-MEANS算法: k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 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
Top_Sort
- K-MEANS算法: k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 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
C-means
- 使用c-均值聚类算法在IRIS数据上进行聚类分析，随机选择三个初始聚类中心，经过多次迭代，最终将150个样本分为三类。-Use c-means clustering algorithm in the IRIS data on the cluster analysis, three randomly chosen initial cluster centers, through a series of iterative, 150 samples will eventually fall into
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
RoadX
- 比较完善的ISODATA聚类分析。 支持手动选择初始聚类中心，类似监督法分类。 支持8位、24位BMP图像操作。 选用2种ISODATA聚类算法。 聚类结束后可手动修改类别颜色。-A relatively complete ISODATA cluster analysis. Supports manual selection of the initial cluster centers, similar to a law on supervision category. S
KMEANS
- k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 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
kmeans-image-segmentation
- K-means算法是一种动态聚类方法，这种方法先选择若干样本作为聚类的中心，在按某种聚类准则（通常采用最小距离原则）使各种样本向各个中心积聚，从而得到初始的分类，然后，判断分类的合理性，如果不合理，就修改分类，如此反复的修改聚类的迭代运算，直到合理为止。-K-means algorithm is a dynamic clustering method, this method, select the number of samples as a cluster center in the clu
Image-Classification-VCPP-Programme
- 用C++语言编写的MFC程序，用K均值和ISODATA算法实现BMP影像的自动分类。提供良好的交互接口，用户可在图像上选择初始聚类中心和设定分类相关参数。适合作为初学者学习分类算法和MFC编程的参考资料。提供了文档说明程序的操作过程。-MFC program with C++ language, K-means and ISODATA algorithm to achieve the automatic classification of BMP images. Provide a good i
K_Means
- 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。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。下面给出我写的源代码。-work process k-means al
km
- 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。 该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。 -First, choo
The-optimization-of-K-means
- 对k-means算法的优化，通过优化初始聚类中心的选择-The optimization of K-means algorithm by improving the selection of initial clustering centers
Desktop
- 传统的K-medoids聚类算法的聚类结果随初始中心点的 不同而波动，且计算复杂度较高不适宜处理大规模数据集； 快速K-medoids聚类算法通过选择合适的初始聚类中心改进 了传统K-medoids聚类算法，但是快速K-medoids聚类算法 的初始聚类中心有可能位于同一类簇。为了克服传统的K- medoids聚类算法和快速K-medoids聚类算法的缺陷，提出 一种基于粒计算的K-medoids聚类算法。-Traditional clustering K-m
GAKMeans
- 由于Kmeans聚类分析是一个局部的搜索过程，因此加入遗传算法进行全局搜索选择最优的初始中心点使得Kmeans算法产生较大的改进-Since Kmeans Cluster analysis is a local search process, so join a global search for the genetic algorithm to the optimal initial centers such Kmeans algorithm produces greater improve
101259363Desktop
- 传统的K-medoids聚类算法的聚类结果随初始中心点的 不同而波动，且计算复杂度较高不适宜处理大规模数据集； 快速K-medoids聚类算法通过选择合适的初始聚类中心改进 了传统K-medoids聚类算法，但是快速K-medoids聚类算法 的初始聚类中心有可能位于同一类簇。为了克服传统的K- medoids聚类算法和快速K-medoids聚类算法的缺陷，提出 一种基于粒计算的K-medoids聚类算法。(The traditional K-medoids clustering algorit