搜索资源列表
学习 .zip.rar
- 某贸易中心共10层，设有载客电梯1部。为了处理问题的方便，有以下的限定条件： （1） 电梯的运行规则是：可到达每层。 （2） 每部电梯的最大乘员量均为K人（K值可以根据仿真情况在10~20人之间确定）。 （3） 仿真开始时，电梯随机地处于其符合运行规则的任意一层，为空梯。 （4） 仿真开始后，有N人(>20人)在该国际贸易中心的1层，开始乘梯活动。 （5） 每个人初次所要到达的楼层是随机的，开始在底层等待电梯到来。 （6） 每个人乘坐电梯到达指定楼层后，再随机地去往
unsupervisedClassification
- 非监督分类程序，MATLAB环境，采用K均值算法，通过初始聚类中心逐次迭代而得到所要分类，并输出分类后的图像。-Non-supervised classification procedures, MATLAB environment, using K-means algorithm, the initial cluster center through successive iterations to be classified, and the output classification im
K-means
- k-means 算法 step1 初始化K个质心 step2 将所有的点分配给最近的质心 step3 更新质心 step4 若质心都没用变化,则停止,否则返回step2 -k-means algorithm is initialized step1 step2 K a center of mass of all the points assigned to the nearest centroid centroid step3 step4 update no us
Applications-draw-beautiful-flowers
- 数学中有三叶玫瑰线（方程为ρ=Asin(3β)、四叶玫瑰线（方程为ρ=Asin(2β)等曲线，这些曲线的极坐标方程很简单，基本形式均为：ρ=Asin(nβ)，即任意一点的极半径ρ是角度β的函数；其直角坐标方程为：x=Asin(nβ)cos(β)，y =Asin(nβ)sin(β)。 在程序中控制角度β使其从0变化到2π，描出极半径ρ所对应的点，这样就可以绘出漂亮的玫瑰线；当然，n不同所描出的曲线的形状也就不同。 出于好奇，笔者又编写了一些方程，如：ρ=A[sin(nβ)＋3 sin(3n
PAM
- PAM（Partitioning Around Medoid,围绕中心点的划分）算法是是划分算法中一种很重要的算法，有时也称为k-中心点算法，是指用中心点来代表一个簇。PAM算法最早由Kaufman和Rousseevw提出，Medoid的意思就是位于中心位置的对象。PAM算法的目的是对n个数据对象给出k个划分。PAM算法的基本思想：PAM算法的目的是对成员集合D中的N个数据对象给出k个划分，形成k个簇，在每个簇中随机选取1个成员设置为中心点，然后在每一步中，对输入数据集中目前还不是中心点的成员根
pluse_any
- 对单脉冲采集的k空间数据进行分析,计算中心频率偏移值-K-space data collected by the single pulse, calculate the center frequency offset value
kMedoids
- K-Medoids算法是在K均值算法的基础上优化的K中心算法。这个文件解压后，直接运行mykmedoids这个文件就好-K-medoids algorithm is optimized in the K-means algorithm based on K-center algorithm. This file is unpacked, run directly mykmedoids file!
K-means
- KMeans算法，经典的数据挖掘算法，设置了三个中心点，初始化是采用读取数据集的三个点作为中心的。-KMeans Algorithm, it is very famous data mining algorithm, i set three center, and it was initialed by the data we classify.
kMeansCluster
- 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 algorithm accepts input amount of K then the object n data is divided into k cluster so that the obtained clusteri
RBF
- RBF神经网络：rbf原理：所谓径向基函数(Radial Basis Function 简称 RBF），就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作 k(||x-xc||），其作用往往是局部的，即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数，形式为 k(||x-xc||)=exp{- ||x-xc||^2/（2*σ）^2） } 其中xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围。在RBF网络中，这两个参数往往是可
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
K-center
- Using K-center to segmentation
ClusterAnalysis_2014.11.4
- 模式识别的聚类分析。K均值聚类算法是先随机选取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。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。-Pattern recognition clustering
VMD_1D
- Spectrum-based decomposition of a 1D input signal into k band-separated modes. Here, we propose an entirely non-recursive variational mode decomposition model, where the modes are extracted concurrently. The model looks for an ensemble of modes and t