为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C-均值(FCM)聚类的纱线疵点检测算法。首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形态学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。

将模糊集理论和k-means聚类联系起来，设计了模糊k-means聚类算法，其聚类效果比单纯的k-means要好。

k均值聚类 仅用于二维数据聚类 神经网络聚类

基于CIElab空间颜色K均值聚类的彩色图像分割。 如果运行不通，可尝试不直接点击“运行”，而是点击“运行并前进”按钮。 具体步骤如下： i. Read image file data; ii. Transform color image from RGB to lab color space; iii. Format conversion; iv. Segmentation of image into n regions by K-mean clustering; v. Take out a component and B component of lab space; vi. Repeated clustering n times; vii. Displays segmented regions. ———————————————— 版权声明：本文为CSDN博主「灵泉matlab」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_31434537/article/details/104562388

k-means(k均值)算法的python代码实现，可以显示聚类效果与聚类的迭代次数，初学者使用更方便。

Matlab基于k均值聚类学习算法的rbf神经网络实现-基于k均值聚类学习算法的rbf神经网络实现.rar 基于k均值聚类学习算法的rbf神经网络实现

FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊c均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。在介绍FCM具体算法之前我们先介绍一些模糊集合的基本知识。

基于遗传模拟退火算法的模糊C均值聚类算法（MATLAB自带的遗传算法工具箱），注释清楚，可直接更改使用，代码在MATLAB2016里运行通过！

matlab 以身高与体重为特征进行C-均值聚类

自适应k均值聚类算法 matlab代码；附带中文注释！