[更新 ] 此版本的新功能： 将代码重新组织为两个主要类别：MRTQuant（预处理/ DTI / DKI）和MRTrack（与术式相关） 支持自动光纤群集（请参阅下面的参考资料） 早期支持与Python集成（需要以上几点） 支持VTK多边形数据4.2和5.1（集群也需要） 为GRL / mFOD反卷积添加了可靠的选项 最初支持存储NIFTI Q / S表单（以提高与尚未使用的其他工具的互操作性） 与CAT12集成 它是什么？ MRIToolkit是一组和一个MATLAB（R）工具箱/库，用于处理（扩散）磁共振成像（MRI）数据。 即将提供命令行版本的二进制文件！ MRIToolkit的想法是将与现有的（扩散）MRI处理的最新方法相结合。 我在哪里找到它？ 在MATLAB（R）工具箱可Github上！ 编译后的即将上载！ 探索主要功能： 首次引用了该工具箱 。 此

java-ipfs-cluster-api 使用Java实现的IPFS群集HTTP API的客户端库。 非官方和阿尔法 This is a port of ipfs/java-ipfs-api adapted for the API exposed by ipfs/ipfs-cluster. 安装 将此代码添加到您的项目中或将其添加到jar中 依存关系 该模块需要ipfs-cluster才能运行。 假定IPFS群集API正在“ 127.0.0.1:9094”上运行。 用法 导入模块： IPFSCluster ipfsCluster = new IPFSCluster ( " 127.0.0.1 " , 9094 ); API 该API当前正在开发中。 公开的方法被设计为类似于ipfs / ipfs-cluster中提供的ipfs-cluster-ctl。 ipfsCluster . id(); ipfsCluster . version(); ipfsCluster . pins . ls(); ipfsCluster . pins . ls( String CID ); i

K-means算法数据

很棒的多视图聚类 最新技术（SOTA）的集合，新颖的多视图聚类方法（论文，代码和数据集） 我们期待其他参与者分享他们的论文和代码。 如果有兴趣，请联系 。 目录 重要调查文件 多视角学习论文调查 基于图的多视图聚类系统研究纸代码 多视图聚类：调查论文 多视图学习概览：最近的进展和新的挑战纸业 文件 下列方法列出了论文：图形聚类，基于NMF的聚类，共正则化，子空间聚类和多核聚类 图Clusteirng AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 IJCAI17：具有多个图形的自加权多视图聚类”论文代码 TKDE2018：一站式多视图光谱聚类纸代码 TKDE19：GMC：基于图的多视图聚类论文代码 ICDM2019：一致性遇到不一致：用于多视图聚类的统一图学习框架论文代码 多Kenrel聚类（MKC） NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的

使用Iris数据集的KMeans聚类

SimpSOM（简单的自组织图） 版本1.3.4 SimpSOM是适用于Python 2.7和3的Kohonen自组织映射（SOM）的轻量级实现，可用于无监督学习，聚类和降维。 该软件包现在可以在PyPI上使用，要检索它，只需键入pip install SimpSOM或从此处下载它，然后使用python setup.py install 。 它使您可以在数据集上构建和训练SOM，保存/加载训练后的网络权重以及显示或打印具有选定功能的网络图。 函数run_colorsExample()将运行一个玩具模型，其中许多颜色将从3D RGB空间映射到2D网络映射，并根据它们在原始空间中的相似性进行聚类。 依存关系 Numpy 1.11.0（较旧的版本可能适用）； Matplotlib 1.5.1（较旧的版本可能适用）； Sklearn 0.15（较旧的版本可能适用）； 使用范例 这是有关如

hosvd matlab代码超图聚类 基于张量的MATLAB代码用于超图分区和子空间聚类的方法 该目录包含与论文[1]相关的所有实现。 这也包括[2,3,4]中提出的方法的实现。 D. Ghoshdastidar和A. Dukkipati。 统一超图分区：可证明的张量方法和采样技术。 机器学习研究杂志18（50），第1-41页，2017年。 D. Ghoshdastidar和A. Dukkipati。 种植分割模型下光谱超图分割的一致性。 统计年鉴， 2017，45（1）：289-315。 D. Ghoshdastidar和A. Dukkipati。 均匀超图分割的一种可行的广义张量谱方法。 在第32届国际机器学习会议（ICML）的会议记录中，PMLR 37：400-409，2015。 D. Ghoshdastidar和A. Dukkipati。 种植分配模型下均匀超图谱分配的一致性。 2014年，《神经处理系统进展》（NIPS） 。 如果您在工作中使用这些代码/结果，请引用[1]。 如果使用[2,4]中的方法，请相应引用。 版权 版权所有（c）2017 特此免费授予获得此软件和相关文

matlab聚类的代码聚类 PSO聚类算法[Matlab代码] 作者：Augusto Luis Ballardini电子邮件：网站： 分发该库是希望它会有用，但没有任何担保； 甚至没有对适销性或特定用途适用性的暗示保证。 根据GNU自由文档许可版本1.3或自由软件基金会发布的任何更高版本，授予复制，分发和/或修改本文档的权限； 没有不变的部分，没有前封面文字，也没有后封面文字。 许可证的副本包含在标题为“ GNU自由文档许可证”的部分中。 以下代码受以下论文的启发：Van Der Merwe，DW; 美联社Engelbrecht，“使用粒子群优化的数据聚类”，《进化计算》，2003年。CEC'03。 2003年大会，第1卷，第215,220页，第1卷，2003年12月8日至12日，doi：10.1109 / CEC.2003.1299577 URL： 与该实现有关的简短教程可以在这里找到：

使用tslearn的示例代码。 目的：对波形数据或时间序列数据进行聚类。 tslearn是基于python的机器学习库之一。 tslearn： : 用日语。 使用KShape算法对样本数据执行波形聚类。 必须为算法指定簇数作为参数。这次，我预先检查了数据，并知道有2个类，因此我设置了n_clusters=2 。 有几种检查簇数的方法，但是这次我们使用弯头法进行检查。 其他可能的方法如下。 BIC / AIC GAP方法 轮廓法 肘法

MiniSom 自组织图 MiniSom是自组织图（SOM）的一种基于Numpy的简约实现。 SOM是一种人工神经网络，能够将高维数据项之间的复杂，非线性统计关系转换为低维显示器上的简单几何关系。 Minisom旨在使研究人员可以轻松地在其之上进行构建，并使学生能够快速掌握其细节。 有关MiniSom的更新发布在。 安装 只需使用pip： pip install minisom 或将MiniSom下载到您选择的目录并使用安装脚本： git clone https://github.com/JustGlowing/minisom.git python setup.py install 如何使用它 为了使用MiniSom，您需要将数据组织成一个Numpy矩阵，其中每一行都对应一个观测值，或者组织成如下列表的列表： data = [[ 0.80 , 0.55 , 0.22 , 0.03 ], [ 0.82 , 0.50 , 0.23 , 0.03 ], [ 0.80 , 0.54 , 0.22 , 0.03 ], [