利用邻接矩阵A来存储网络，其中A_{ij}表示第i个节点与第j个节点的是否有边相互链接， 1表示有，0表示没有步骤二、根据网络结构特征给出节点相似性度量指标；给

利用K均值聚类IRIS数据，包括两个程序： 一、基于欧氏距离聚类 二、基于余弦距离聚类 二者聚类效果不同，输出结果包括：轮廓图、聚类结果可视化（标注明聚类错误样本）、聚类正确率。

博客<基于K-Means聚类算法对NBA球员数据的聚类分析>所用数据

数据仓库与数据挖掘中的聚类代码 大学信息管理与信息系统课程 k-means 算法接受输入量 k ；然后将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。

matlab聚类kmeans代码 作业7 要求 在MapReduce上实现K-Means算法并在小数据集上测试。可以使用附件的数据集，也可以随机生成若干散点的二维数据（x, y)。设置不同的K值和迭代次数，可视化聚类结果。 提交要求同作业5，附上可视化截图。 实现思路 我直接使用了实例代码来运行，用原来的代码创建maven项目KMeansExample。由于原来的代码不是用maven管理的，而且是基于Hadoop1.2编写的程序，所以有一些地方需要进行小小的修改。比如每个java文件前面都要加上对应的包名称，Job对象的创建需要调用getInstance静态方法，而不能直接new Job。 我尝试研读了整个算法的代码，下面简要描述一下示例代码的思路。 主程序：KMeansDriver.main() KMeansDriver.main()方法是整个算法的主程序，它从命令行接收指定的参数k（需要聚成的类数），iterationNum（迭代次数），inputpath，outputpath。依次调用三个主要的过程： generateInitialCluster()：随机产生k个cluster

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。

资源是csv文件，大家可以直接使用

该文档是模式识别中用近邻函数法进行聚类与分类的一个完整的实验，包括原理，原始数据，结果分析。在文章最后附上作者使用的源代码（matlab版本），亲测2014a正常运行

Kmean、K均值聚类、无监督matlab算法若干案例，内含数据。

针对奇异值分解信号降噪方法中吸引子轨迹矩阵（Hankel矩阵）结构的确定，以及有效奇异值的选择两个关键问题，提出了一种基于遗传算法的奇异值分解信号去噪算法。首先，利用原始信号构造Hankel矩阵，运用遗传算法对矩阵结构进行优化，然后对含噪声信息的矩阵进行奇异值分解，最后通过K-medoids聚类算法确定有效奇异值个数，对有效奇异值和其对应的向量进行奇异值分解反变换，还原原始信号，达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换（FFT）去噪方法相比较，结果表明该算法具有良好的去噪效果。