搜索资源列表
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
important2
- 基于聚类的径向基神经网络的设计算法，采用的是K均值聚类。实现函数拟合！-The design algorithm of radial basis function neural network based on clustering, using the K mean clustering. Realize the function fitting!
fun_traindic_kmeans
- kmeans 聚类算法，主要用来对一堆数据形成他们的码本-k-means clustering is a method of vector quantization originally from signal processing, that is popular for cluster analysis in data mining. k-means clustering aims to partition n observations into k clusters in which ea
Untitled2
- k-mean算法，使用matlab工具箱工具对图像进行聚类分割。-k-mean algorithm, using matlab clustering toolbox tool for image segmentation.
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
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
gengnou_v78
- 基于K均值的PSO聚类算法,均值便宜跟踪的示例，非归零型差分相位调制信号建模与仿真分析 。- K-means clustering algorithm based on the PSO, Example tracking mean cheap, NRZ type differential phase modulation signal modeling and simulation analysis.
聚类分析
- 聚类分析算法 k均值算法 对地图上的点进行聚类事例(Clustering analysis algorithm k mean algorithm for clustering of points on maps)
k均值聚类算法
- 根据k均值聚类的原理，实现一些数字的聚类，但是具体类别数需要自己设置(Clustering of some numbers by K mean clustering)