基于K-means聚类算法的图像区域分割的MATLAB代码实现，详情可以参考：https://blog.csdn.net/didi_ya/article/details/115376184

为构建符合郑州市交通特征的乘用车典型行驶工况,选取60辆乘用车进行数据采集,将采集的有效行驶数据划分成120 744条运动学片段,采用主成分分析法对构建的特征参数矩阵进行降维、非线性化处理。选取戴维森-堡丁指数来确定最佳聚类数,并通过全局K-means聚类算法将主成分分析得到的4个主成分聚成3类,然后采用相关系数法从各类片段库中选取具有代表性的运动学片段,从而构建出郑州市乘用车典型循环工况(ZZ_DC)。通过与传统K-means聚类算法构建的工况比较,采用全局K-means聚类构建的工况更加准确地反映了郑州市乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内一直采用的乘用车测试工况(NEDC工况)比较,结果表明,ZZ_DC工况与NEDC工况差异显著,因此,有必要开发出适用于郑州市交通特征的乘用车行驶工况。

python实现基于密度的DBscan和K-means聚类算法，根据青蛙的叫声所提取的 MFCC 特征，给不同科属的青蛙聚类。包括数据集和代码。

kmeans-fuzzy-cmeans k-Means 和 Fuzzy c-Means 聚类算法的可视化。 源语言是 C#，用于图形绘制的 Oxyplot 库。

k-means聚类算法及matlab代码适用于Coursera机器学习的Python代码 此仓库为Andrew NG教授的Coursera机器学习课程提供了基于python的解决方案。 解决方案模仿Coursera提供的MATLAB / Octave代码。 scikit-learn模块为每种算法提供了固定的实现，但是以理解它们如何工作为代价。 这些基本版本用于巩固概念并熟悉Python科学计算堆栈。 回购组织 与课程课程不同，单个功能不是用单独的脚本编写的。 而是包含一个脚本来存储每个练习的所有帮助程序功能。 练习1：线性回归（有效） 练习2：逻辑回归（有效） 练习3：多类分类和神经网络（有效） 练习4：神经网络学习（工作中） 练习5：正则线性回归和偏差/方差（有效） 练习6：支持向量机（未启动） 练习7： K均值聚类和PCA（有效） 练习8：异常检测和推荐系统（正常运行）

主要介绍了python中实现k-means聚类算法详解，具有一定参考价值，需要的朋友可以了解下。

聚类 今天说K-means聚类算法，但是必须要先理解聚类和分类的区别，很多业务人员在日常分析时候不是很严谨，混为一谈，其实二者有本质的区别。 分类其实是从特定的数据中挖掘模式，作出判断的过程。比如Gmail邮箱里有垃圾邮件分类器，一开始的时候可能什么都不过滤，在日常使用过程中，我人工对于每一封邮件点选“垃圾”或“不是垃圾”，过一段时间，Gmail就体现出一定的智能，能够自动过滤掉一些垃圾邮件了。这是因为在点选的过程中，其实是给每一条邮件打了一个“标签”，这个标签只有两个值，要么是“垃圾”，要么“不是垃圾”，Gmail就会不断研究哪些特点的邮件是垃圾，哪些特点的不是垃圾，形成一些判别的模式，这样

主要介绍了python基于K-means聚类算法的图像分割，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

K-Means聚类算法 Matlab代码

传统室内定位中聚类算法被动依赖定位环境中接入点（Acess Point，AP）数量，导致定位效率低、误差大，室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此，采用Intel芯片的嵌入式微系统和美国Signal Hound生产的SA44B型测量接收机共同组成传感器网络，根据电波路径损耗建立室内定位的目标函数，采用单纯形法和模拟退火算法融合算法对目标函数进行优化，从而达到最合理的AP室内位置布局，而后改进K-means聚类算法将优化后的AP位置坐标作为初始聚类中心，来提高系统的定位效率和精确度。实验结果表明，与传统K-means算法相比，经过AP位置最优化后的聚类定位算法精度提高了13.8%。