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

k-means聚类算法及matlab代码调制分类 一种基于我的论文的新方法 用MATLAB Nowly编写，然后导入到Python 单载波调制算法分为两部分。 k-means聚类处理主要任务，而k-center greedy algorithm提高了k-means的性能。 这两个函数一起编译输入信号，该输入信号是复数的数组，并将它们映射到同相正交图上。 在此IQ图上，确定聚类中心，然后将结果传递到另一个代码，该代码确定输入信号的调制类型是什么。 考虑的调制类型是任何M-ary QAM和M-ary PSK调制，它们涵盖了当今大多数流行的调制。 k中心贪婪算法 此功能用于初始化k-means聚类。 通过之前进行该k-means聚类，表现k-means如图我的纸显著改进： 随机初始化它们时，该性能优于k-means和k-means++算法。 与执行此操作相比，执行此操作的成本也很小，因为它可以扫描theta（N）时间中的点，并且还可以提高此性能。 这是度量k-center optimization problem的贪婪近似算法，在k次迭代中达到2的近似因子。 贪婪算法的工作原理如下： 任意选

图像分割方向论文的思维导图

K均值(k-Means)算法的推导 问题框架 要估计k个正态分布的均值= 观察到的数据是X={} 隐藏变量Z={}表示k个正态分布中哪一个生成xi 用于K均值问题的表达式Q(h’|h)的推导 单个实例的概率