本论文是Clique聚类算法的经典论文，详细介绍了算法的基本原理，算法步骤，相关算法等，是进行Clique算法研究的很好的参考资料

与一维传递函数相比，多维传递函数可以对体积对象进行更复杂的分类。但 是，当传递函数空间的维数超过 3-D 时，将其可视化和操作是不直观的，这使得 用户交互变得困难。所以针对多维传递函数的设计问题，提出了一种二维聚类方 法。一阶自组织图聚类（SOM）将高维特征数据投影到二维拓扑保留图中。二 阶聚类降低了 SOM 神经元的设计自由度。从大量的 SOM 神经元到可管理的簇。 在提供信息的 SOM 网络的指导下，用户通过选择集群以交互方式发现体素中有 趣的结构，在必要时可视化和修改集群结果。我们的界面跟踪发现的每一个有趣 的结构，这不仅允许用户仔细检查单个结构，还允许他们通过合并被认为重要的 结构来形成最终的可视化效果。 最后用 QT 实现了一个可视化软件，导入体数据，体数据对应的类，对应类 的颜色表和 SOM 拓扑图对应的类这些文件，就可以通过光线投射算法来可视化 对应的三维体数据，因为我们采取了多维传递函数，所以效果比直接光线投射算 法更加好，能分出更加复杂的类，这个可视化软件能应用于海洋学、生物、医学 等学科，比如医学医生可以选取自己感兴趣的类并重点观察自己感兴趣的类。

在 ZIP 中有一个文件“test.m”。 它将阐明函数的工作原理功能已注释，因此学习单独使用它们不会有问题

基于自组织特征映射网络的亚洲足球水平聚类,这是完整程序，可运行。

模式识别实验报告 1、最大最小距离聚类法 2、K-均值聚类法 3、感知器算法 4、最小均方误差算法

针对模糊C均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。

模糊k 表示聚类的代码，包括k 表示有超级，Gustafson Kessel 算法，模糊线性判别分析。 还计算性能度量。

提出了一种新的图像特征提取中选取最优小波分解树的方法．塔式小波分解对信号解不够全面，而小波包全分解又引入庞大的计算量，因此小波分解最优树的选取尤为重要．结合模糊C均值(FCM，Fuzzy C-Mean)聚类，提出了一种能同时进行小波自适应分解和纹理特征分类的纹理图像分割方法，该方法将无监督聚类中的聚类有效性参数弓l入到自适应小波分解的判决中，能根据无监督聚类分割的需要，自适应地选取小波包分解的树形结构和分解层数．相对于小波包全分解，节省了大量的运算，并能取得良好的分割效果．

K—means算法是一种重要的聚类算法，在网络信息处理领域有着广泛的应用．由于该终止于一个局部最优状态，所以初始类中心点的选择会在很大程度上影响其聚类效果。这里提出了一种K—means算法的改进算法，首先探测数据集中的相对密集区域，再利用这些密集区域生成初始类中心点．该方法能够很好地排除类边缘点和噪声点的影响，并且能够适应数据集中各个实际类别密度分布不平衡的情况，最终获得较好的聚类效果．

通过对几种典型聚类算法的分析和比较，提出了一种新的聚类算法，基于扩展约束的半监督谱聚类算法，简称CE-SSC。这种算法扩展了已知约束集，通过密度敏感距离改变样本点的相似关系，结合半监督谱聚类进行聚类。在UCI基准集上的仿真实验结果证明，基于扩展约束的半监督谱聚类算法具有良好的聚类效应。