有关模式识别的问题很多，本程序属于用fcm做三维分割的matlab仿真程序，希望对刚开始起步的科研人员有所帮助

Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

数字视频广播网 :game_die: 用于“多视图深度子空间群集网络”的Tensorflow回购 （提交给TIP 2019 ） 概述 在这项工作中，我们通过以端到端的方式学习多视图自表示矩阵，提出了一种新颖的多视图深子空间聚类网络（MvDSCN）。 MvDSCN由两个子网组成，即分集网络（Dnet）和通用网络（Unet）。 在深度卷积自动编码器上建立潜在空间，并使用完全连接的层在潜在空间中学习自表示矩阵。 Dnet学习特定于视图的自表示矩阵，而Unet学习所有视图的公共自表示矩阵。 为了利用多视图表示的互补性，引入希尔伯特·施密特独立标准（HSIC）作为分集正则化，可以捕获非线性和高阶视图间关系。 由于不同的视图共享相同的标签空间，因此每个视图的自表示矩阵通过通用性正则化与公共视图对齐。 要求 张量流 科学的 麻木 斯克莱恩 蒙克雷斯 用法 通过发布结果进行测试： python main.py --t

textClusteringDBSCAN：使用基于密度的空间聚类（DBSCAN）使用TF-IDF，FastText，GloVe字向量对文本进行聚类 这是一个库，用于根据数据中的文本字段执行不受监督的语言功能。 API也将发布以进行实时推理。 这只是项目实施的一小部分，项目实施是一个开放源代码语言库，旨在轻松集成到应用程序中。 特征探索和可视化 文字特征可视化 功能工程： 根据基于变压器的模型添加功能。 （超大） 将基于tf-idf的特征添加为软特征，并与基于预训练词向量的特征结合。 （监督下） 比较不同的功能。 用法 基本使用说明。 由于代码正在开发中，因此可能不稳定。 到2020年12月31日将添加更多详细信息，以正确使用该库。 读取数据 from textclustering import utilities as ut from textclustering impor

hosvd matlab代码超图聚类 基于张量的MATLAB代码用于超图分区和子空间聚类的方法 该目录包含与论文[1]相关的所有实现。 这也包括[2,3,4]中提出的方法的实现。 D. Ghoshdastidar和A. Dukkipati。 统一超图分区：可证明的张量方法和采样技术。 机器学习研究杂志18（50），第1-41页，2017年。 D. Ghoshdastidar和A. Dukkipati。 种植分割模型下光谱超图分割的一致性。 统计年鉴， 2017，45（1）：289-315。 D. Ghoshdastidar和A. Dukkipati。 均匀超图分割的一种可行的广义张量谱方法。 在第32届国际机器学习会议（ICML）的会议记录中，PMLR 37：400-409，2015。 D. Ghoshdastidar和A. Dukkipati。 种植分配模型下均匀超图谱分配的一致性。 2014年，《神经处理系统进展》（NIPS） 。 如果您在工作中使用这些代码/结果，请引用[1]。 如果使用[2,4]中的方法，请相应引用。 版权 版权所有（c）2017 特此免费授予获得此软件和相关文

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

主要是一些算法，：以屉．籼算法为代表的分割聚类法，以BIRCH为代表的分层聚类法，以DRSCAN算法为代表的密度聚类法和STING为代表的网格聚类法。

MATLAB上的聚类/子空间聚类算法 此存储库不再处于主动开发中。 但是，欢迎对现有算法的实现提出任何问题。 [2020年10月] 1.聚类算法 K均值 K-均值++ 一般而言，该算法类似于K-means 。 与经典的K-means随机选择初始质心不同， K-means ++中集成了更好的初始化过程，在该过程中，远离现有质心的观测具有较高的被选为下一个质心的可能性。 可以使用适合比例选择来完成初始化过程。 ISODATA（迭代自组织数据分析） 简而言之， ISODATA引入了两个附加操作：拆分和合并； 当一类内的观察次数少于一个预定义阈值时， ISODATA会以两类间的最小距离合并两类；否则， ISODATA会合并两类。 当一个类别的类别内方差超过一个预定义阈值时， ISODATA将该类别分为两个不同的子类别。 均值漂移 对于每个点x ，找到邻居，计算均值向量m ，更新x

基于土地评价和空间聚类的基本农田划定方法研究——以湖北省鹤峰县为例.pdf