depth_clustering, 基于Velodyne传感器的点云快速鲁棒聚类 深度群集 这是一种快速而稳健的算法，将Velodyne传感器带入的点云分割成对象。 适用于所有可用的Velodyne传感器，换句话说，16，32和 64光束。查看一个视频，该视频显示所有具有小于 10 qubic米的边界框的

1) 传统的基于密度聚类的方法是基于点的聚类，但是矩形有长宽，无法完全应用基于密度聚类的方法 2) 基于密度的聚类方法是统一的阈值，而有的矩形大，有的矩形小，统一的阈值并不适用于矩形的距离 本文很好的解决的上诉问题，并附全部python代码

聚类分析是将物理的或者抽象的数据集合划分为多个类别的过程，聚类之后每个类别中任意两个数据样本之间具有较高的相似度，而不同类别的数据样本之间具有较低的相似度。

第一整数邻居聚类层次结构（FINCH）算法 该存储库包含用于建议的FINCH聚类算法的Python和Matlab代码，在我们的《使用第一个邻域关系进行有效无参数聚类CVPR 2019口头。 @inproceedings{finch, author = {M. Saquib Sarfraz, Vivek Sharma and Rainer Stiefelhagen}, title = {Efficient Parameter-free Clustering Using First Neighbor Relations}, booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, pages = {89

自动集群 autocluster是用于执行集群任务的自动化机器学习（AutoML）工具箱。 报告和演示幻灯片可在和找到。 先决条件 Python 3.5或更高版本 也可以使用Linux OS或 如何开始？ 首先，安装 ： sudo apt-get install build-essential swig conda install gxx_linux-64 gcc_linux-64 swig pip install smac==0.8.0 pip install autocluster 这个怎么运作？ autocluster自动优化集群问题的配置。 通过配置，我们的意思是 降维算法的选择 聚类模型的选择 降维算法的超参数的设置 聚类模型的超参数的设置 autocluster提供了3种不同的方法来优化配置（复杂度不断提高）： 随机优化 贝叶斯优化 贝叶斯优化+元学习（warm

模糊集matlab代码Fuzzy_Clustering_Algorithms 几种最先进的模糊聚类算法，包括模糊 c 均值聚类、模糊子空间聚类和最大熵聚类算法。 MATLAB 代码。 虹膜数据集中的三个例子。 FCM 演示 FCM算法： 运行 demo_fuzzy.m，选择超参数“choose_algorithm=1”。 聚类结果： 迭代1，迭代次数：12，Accuary：0.89333333 迭代2，迭代次数：12，Accuary：0.89333333 迭代3，迭代次数：12，Accuary：0.89333333 迭代4，迭代次数：12，Accuary：0.89333333 迭代5，迭代次数：12，Accuary：0.89333333 迭代6，迭代次数：12，Accuary：0.89333333 迭代7，迭代次数：12，Accuary：0.89333333 迭代8次，迭代次数：12，Accuary：0.89333333 迭代9，迭代次数：12，Accuary：0.89333333 迭代10，迭代次数：12，Accuary：0.89333333 算法平均迭代次数为：12.00 平均运行

Agglomerative_Clustering

从头开始的分层聚集聚类

kmodes：k模式和k原型聚类算法的Python实现，用于聚类分类数据

层次聚类matlab代码层次聚类算法 matlab代码，采用了单链接，完全链接和平均链接算法的层次聚类算法。