基于KD树聚类的机载LiDAR数据输电线提取方法，梁静，张继贤，论文提出并实现了一种基于kd树近邻域点云聚类法从LiDAR点云数据中自动提取多根电力线。首先利用高程直方图统计法去除地面点，接着�

基于K-means(K均值)聚类算法的图像特征分割研究.m

密度聚类dbscan算法—python代码实现（含二维三维案例、截图、说明手册等） DBSCAN算法的python实现

无监督学习中用于数据分类的算法，包括原始数据。

聚类轨迹 该Python脚本接收分子动力学或Monte Carlo轨迹（.pdb，.xyz或OpenBabel支持的任何格式），使用Kabsch算法找到结构之间的最小RMSD，并执行聚集聚类（一种无监督的机器学习），以对相似的构象进行分类。 该脚本是在考虑到Python 3的情况下开发的，但是，鉴于所有库均可用，它也应在Python 2.7中工作。 脚本要做的是计算轨迹的每个配置之间的距离（使用最小RMSD），建立一个距离矩阵（以压缩形式存储）。 请注意，计算距离矩阵可能需要一些时间，具体取决于您的轨迹多长时间以及每种配置中有多少原子。 距离矩阵也可以从文件中读取（使用-i选项），以避免每次您要更改链接方法（使用-m ）或聚类的距离时重新计算该距离矩阵。 依存关系 该实现依赖于几个库，因此在运行脚本之前，请确保已在Python发行版中安装了所有库。 当前，需要以下库： 我们建议使用 P

MATLAB源程序25 广义神经网络的聚类算法-网络入侵聚类.zip

MATLAB源程序29 kohonen网络的聚类算法—网络入侵聚类.zip

昆明理工大学数学建模+实验3-求解聚类问题

nmf的matlab代码等级2的NMF 等级2级非负矩阵分解（HierNMF2）是用于大型文档聚类和主题建模的无监督算法。 它的质量是LDA的20倍左右。 HierNMF2也已成功应用于生物信息学领域。 这个Matlab软件包是为以下论文开发的： Da Kuang, Haesun Park, Fast rank-2 nonnegative matrix factorization for hierarchical document clustering, The 19th ACM SIGKDD International Conference on Knowledge, Discovery, and Data Mining (KDD '13), pp. 739-747, 2013. 如果发现该代码有用，请引用本文。 所有这些Matlab函数均已记录在案。 要开始使用，请运行脚本test.m请在每个M文件的开头找到帮助程序文本，以获取更多选项。 脚本test.m使用Reuters数据集生成具有20个叶节点的主题层次结构。 通常，HierNMF2算法更喜欢术语文档矩阵，其中每个数据点（文档

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取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。