针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.

1.包含课程设计和csv文件，可以直接用 2.基于LRFMC模型 3.包含详细实验环境，例如python版本和所需库的版本 2.希望可以帮到大家嘿嘿

资源包含文件：设计报告word+程序说明文档+源码+实验截图 k-means 算法，也被称为 k-均值，是一种得到最广泛使用的聚类算法。其认为两个目标的距离越近，相似度越大。算法的主要思想是通过迭代来把数据划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。 预解决问题：编写代码，使用 k-means 聚类对像素进行分组，将图像分割成区域。使用两种不同的特征空间（颜色和纹理）并尝试一些实验来观察它们带来的影响。 详细介绍参考：https://blog.csdn.net/newlw/article/details/125619862

4-聚类算法.7z

06聚类算法Kmeans资料与代码.7z

最新的Science发表的fast search聚类算法的python代码实现，可用于大数据的挖掘与分析

聚类的目标是使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。目前聚类的方法很多，根据基本思想的不同，大致可以将聚类算法分为五大类：层次聚类算法、分割聚类算法、基于约束的聚类算法、机器学习中的聚类算法和用于高维度的聚类算法。本源码实现主要选取了基于划分的Kmeans算法和基于密度的DBSCAN算法来对用户地理位置信息进行聚类。 本实验用python实现，依赖numpy, pandas, sklearn, scipy等科学计算library。 数据来自收集得到的用户的地理位置信息，即经纬度数据的序列集。 一种基于DBSCAN和Kmeans的混合算法：先利用DBSCAN算法的密度可达特性将用户的地理位置数据集按照活动半径聚合成若干个簇，并且将每一簇的数据集作为新的输入，再利用Kmeans算法的迭代聚合求出质心的位置，设定K值为1。

K- Means Clustering

基于opencv3 实现 基于聚类的图像分割，k-means聚类效果好，但需要注意需认为设定聚类数量，可在代码中更改。

人工智能-项目实践-推荐算法-基于豆瓣电影用户数据使用Canop+K-means聚类实现的协同过滤推荐算法