基于聚类算法的RBF神经网络设计综述，如果对RBF感兴趣的话，该文章还有有一定的参考价值的。

层次聚类Impl。 在Java上 这是分层聚类的非常简单的实现，您可能在数据挖掘算法类中听说过。 如果您不熟悉它，请访问了解更多详情。 :) 执行 数据点存储在mPoints ，我们的目标是从中计算mClusters 。 为此，我们为所有成对的数据点保留距离矩阵mMatirx ，并为每个点mMinIndex最小距离点的索引mMinIndex 。 // mN: number of points, mD: dimension of points. private static int mN = 0 ; private static int mD = 0 ; // mPoints: raw data resides in here. Constant after it's been initialized. private static ArrayList mPoints

c均值聚类算法matlab代码fcm_m 这是matlab代码中FCM聚类方法的一些变体。 您可以参考以下文章以进一步了解：“一种鲁棒的模糊局部信息C均值聚类算法”

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。

边界聚类算法结合使用了基于弧段的方法和最小二乘法。从边界图提取圆弧，再经过过滤、聚类，最终用最小二乘法拟合出椭圆。该方法能有效应对多个椭圆、椭圆相互遮挡和椭圆部分缺损等复杂情况。

具有成对约束的聚类最近在聚类社区中引起了很多关注。 特别地，数据集中给定实例对之间的必须链接约束和不能链接约束是当今许多聚类算法中所包​​含的常识。 事实证明，这种方法可以成功地指导许多著名的聚类算法获得更准确的结果。 但是，最近的工作还表明，必须链接约束和不能链接约束的合并使聚类算法对“实例的分配顺序”过于敏感，因此导致了随后的约束冲突。 本文的主要贡献有两个方面。 一种方法是在执行“无法链接”集合的“广度优先”搜索后，通过强调无法链接实例的有序分配来解决Cop-Kmeans中违反约束的问题。 另一个是通过采用MapReduce框架来降低大数据集的Cop-Kmeans计算复杂度。 实验结果表明，我们的方法在海量数据集上表现良好，同时可以克服约束冲突的问题。

用k均值聚类实现随机n个数分类到k类中。 k和n是可变的。用图形化显示聚类结果。 需要把两个文件放在同一目录下，运行wkmeans2D即可。

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

聚类分析是数据分析中非常重要的一类课题。其作用是将大量的无标签数据通过计算，自动为其标注标签。带程序源码及运行截图