针对传统的K-means算法对初始聚类中心的敏感很大，极易陷入局部最优值，基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象，采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类，并提出了一种新的用于评价聚类结果的适应度函数，该函数更为准确地反映类内距离和类间距离。实验结果表明，该方法能获得更好的聚类结果。

基于模拟退火的k-means分类算法优化研究，陈明，王行风，由于K-means聚类方法对遥感图像进行分类时，对训练样本的选取依赖性很大，容易陷入局部最优的陷阱的情况，本文提出利用模拟退化算�

包含测试数据

使用python进行编码，k - means聚类算法，里面有数据集。

k-means 算法接受参数 k ；然后将事先输入的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。

Matlab实现K-Means算法，附带测试数据集~可运行

k-means算法 k-means算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。相似度的计算根据一个簇中对象的平均值来进行。 算法首先随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的簇。然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。 准则函数试图使生成的结果簇尽可能地紧凑和独立。 算法5-1 k-means算法 输入：簇的数目k和包含n个对象的数据库。 输出：k个簇，使平方误差准则最小。 （1)assign initial value for means; /*任意选择k个对象作为初始的簇中心；*/ (2) REPEAT (3) FOR j=1 to n DO assign each xj to the closest clusters; (4) FOR i=1 to k DO / *更新簇平均值*/ (5) Compute /*计算准则函数E*/ (6) UNTIL E不再明显地发生变化。

 针对电力大数据收集和存储中数据量大、数据收集不精准的问题，提出了基于改进K-means算法的电力大数据系统的设计。对传统K-means算法进行分析，提出改进之后的K-means算法。根据改进后算法设计电力大数据系统，对系统的架构进行分析，包括数据存储、设备层、数据接入等模块。对设计的电力大数据系统进行实验，实验结果表明，文中设计的电力大数据系统能够满足实际需求，提高系统的存储和处理效率。

非本地手段 介绍 在这个项目中，我以幼稚的方式并使用积分图像实现了非局部均值过滤。 这些文件中都对这两种方法进行了解释： 非本地均值降噪 用于块匹配的积分图像 描述 非局部均值算法用于去除图像中的噪点。 我们输入了三件事： 我们要去噪的图像 大小为kxk的内核 wxw大小的窗口 对于图像中的每个像素（我们将要去噪），我们将窗口围绕其居中，通常，该窗口是相当大的，但出于性能方面的考虑，当然不如整个图像大。 然后，对于窗口中的每个像素，我们滑动一个补丁（通常为3x3或5x5），我们要去噪的像素将是图像补丁上的加权和。 整体影像改善 如果我们使用积分图像，则可以加快计算速度。 伦敦大学学院图像处理课程中的Lourdes Agapito教授的图像幻灯片 由于以下公式，我们可以加快计算速度： 图片摘自Wikipedia（ ） 如何使用代码 只需打开Matlab并为完整的图像实现运行nonL

kmeans：是用Go编写的k-means聚类算法实现