搜索资源列表
Clustering-master
- 包含Kmeans、Kmeans++、ISODATA三种聚类算法，直接运行main文件即可。-Including Kmeans, Kmeans++, ISODATA three clustering algorithm, you can directly run the main file.
java鏁版嵁鎸栨帢
- 数据挖掘算法java实现 c45,kmeans,fss,id3(Data mining algorithm java implementation, which contains a variety of data mining algorithms, should be a good reference document.)
Spectral_ClusteringNJW
- 谱聚类能够识别任意形状的样本空间且收敛于全局最优解，其基本思想是利用样本数据相似矩阵的进行特征分解后得到的特征向量进行聚类，程序进行了几种不同聚类算法的比较，包括Q矩阵聚类，kmeans聚类，第一特征分量聚类，第二广义特征分量聚类，公用数据生成和近邻矩阵生成(Spectral clustering can distinguish arbitrary sample space and converge to the global opti
模式识别 聚类
- 模式识别作业，两种聚类算法kmeans,dbscan，python算法(pattern recognition homework)
K-means
- Kmeans聚类算法的java实现方法，比较简洁。(Java implementation of Kmeans clustering algorithm)
WMIVO
- Kmeans分类算法的代码,通过屏幕输入和输出,实现自动分类,代码较短运行速度快()
4441134
- kmeans聚类算法c版本 应用于三维数据操作()
jktztss
- 改文件是用C++来实现kmeans的算法,学过模式识别的人都知道这个算法的,是用来实现数据的聚类()
peel-lerher
- 混合高斯模型和EM算法结合,当中用到了自己写的Kmeans聚类,附带测试样例,训练样例和main函数,()
38676516
- 经典的划分聚类算法Kmeans,包能能用,而且提供数据,在linux下和windows下都测试过,()
statistics_kmeans
- K-means算法是一种硬聚类算法，根据数据到聚类中心的某种距离来作为判别该数据所属类别。K-means算法以距离作为相似度测度。(kmeans uses the k-means++ algorithm for centroid initialization and squared Euclidean distance by default. It is good practice to search for lower, local
kdd99 Intrusion detection
- 基于kmeans的异常检测算法，数据集是kddcup99(Based on kmeans anomaly detection algorithm, the data set is kddcup99.)
ceidntaccessplatter
- 改文件是用C++来实现kmeans的算法,学过模式识别的人都知道这个算法的,是用来实现数据的聚类()
yssr
- 混合高斯模型和EM算法结合,当中用到了自己写的Kmeans聚类,附带测试样例,训练样例和main函数,()
94433269
- Kmeans分类算法的代码,通过屏幕输入和输出,实现自动分类,代码较短运行速度快()
EDFSW6
- kmeans聚类算法c版本 应用于三维数据操作()
adaptcluster_kmeans
- 一种基于Kmeans的自适应滤波算法，可将图片进行有效的滤波(An adaptive filtering algorithm based on Kmeans can effectively filter pictures.)
slic
- SLIC超像素分割算法，利用Kmeans等对图像进行分割，识别图像边缘(SLIC super pixel segmentation algorithm, USES Kmeans to segment the image and identify the image edges)
PSO_kmeans-master
- 利用改进的PSO算法对kmeans算子进行聚类，优化了步骤(The improved PSO algorithm is used to cluster kmeans operators, and the steps are optimized)