直接下载运行即可，需要注意修改相应的读取和写入路径，data是数据集，由于相关参数选取的不太合适已经数据集的原因，所以聚类效果不是特别理想
2022-06-08 17:27:00
50KB
1
针对可拓神经刚络无法解决多故障珍断的问题，建立问题模型，将多故障诊断问题转化为多特征样本的聚类问题。从模型结构和学习算法两个方面对ENN2进行改进，提出基于改进ENN2聚类算法的多故障诊断方法，并对其参数和时间复杂度进行分析采用工程实例对所提提的方法进行验证，结果表明，所提出的方法能够解决离线的多故障诊断问题，且得到的诊断模型可用于在线状态监控，具有较好的应用前景。
2022-06-06 09:33:02
452KB
1
birch，Kmeans，Kmeans++，KNN四种聚类算法对同一个二维坐标数据集进行聚类分析，python代码
2022-06-05 16:42:46
5KB
1
K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。
2022-06-05 10:34:58
3KB
1
文中主要基于视觉词袋（BOVW， Bag-Of-Visual-Words）模型对图像进行分类处理，并对传统视觉词袋模型存在的不足进行了改进，提出了一种基于视觉词典的权重直方图来表达图像，采用优化的k-means聚类算法（k-means+）用于视觉词典的构建，代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验，实验结果表明该改进方案较传统方法提高了分类的正确率。
2022-06-04 17:46:51
773KB
1
信息素矩阵初始化
信息素矩阵维数为N*K（样本数*聚类数）初始值为0.01。
c = 10^-2;
tau = ones(N,K) * c; %信息素矩阵，初始值为0.01的N*K矩阵（样本数*聚类数）
2022-06-04 13:01:06
406KB
1
针对初始聚类中心对传统K-means算法的聚类结果有较大影响的问题，提出一种依据样本点类内距离动态调整中心点类间距离的初始聚类中心选取方法，由此得到的初始聚类中心点尽可能分散且具代表性，能有效避免K-means算法陷入局部最优。通过UCI数据集上的数据对改进算法进行实验，结果表明改进的算法提高了聚类的准确性。
2022-06-03 20:51:35
307KB
1