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。

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。

Kmean、K均值聚类、无监督matlab算法若干案例，内含数据。

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。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

基于K-means(K均值)聚类算法的图像特征分割研究.m

无监督学习中用于数据分类的算法，包括原始数据。

clear clc; %disp char "基于C 均值算法的特征点聚类" strcat datestr now ; S double imread "E: Matlab 1 jpg" ;%读取源图像 %S double imread "E: Matlab 001 jpeg" ;%读取源图像 [sr sc] find S 255 ;%sr sc存储源图像中待聚类点的坐标 len length sr ;%len存储源图像中待聚类点的个数 group zeros len 1 ;%group存储特征点与类相对应的情况">clear clc; %disp char "基于C 均值算法的特征点聚类" strcat datestr now ; S double imread "E: Matlab 1 jpg" ;%读取源图像 %S double imread "E: Matlab 001 jpeg" ;%读取源图像 [sr sc] find S 255 ;%sr sc存储源图像中待聚类点的坐标 len [更多]

基于模糊C均值的快速点云的聚类分析代码，可用于模糊聚类

Kmeans聚类分析+python代码

基于 K 均值聚类模式识别系统的设计与实现.pdf基于 K 均值聚类模式识别系统的设计与实现.pdf基于 K 均值聚类模式识别系统的设计与实现.pdf