对故障数据进行聚类，实现对故障的类型分类

用C#实现的k均值文本聚类算法，已经调试通过

UCI常用数据集-聚类、分类

kmodes：k模式和k原型聚类算法的Python实现，用于聚类分类数据

该资源包含了21个类的数据集，数据集都是二维的坐标点，有iris、landsat、vote、vine 、letter等的二维坐标数据集，提供给常用的聚类算法作检验验证

15个UCI标称型数据集；可用作分类；聚类算法；分为两部分： 1）预处理之前（before）; 2）已经做完预处理（after）。

二维多维不同簇数的点集，螺旋分布、月牙分布、环形分布等数据集，共30余种

公共数据集，一共有30多中，包括iris、wine、seeds、bands、balance、zoo、wdbc、breasttissue等数据集 可用于分类聚类等

可靠的方法去判断两个时间序列是否相似，截下来便可以使用k-NN算法进行分类。根据经验，最优解一般出现在k=1的时候。下面就利用DTW欧氏距离的1-NN算法。在该算法中，train是时间序列示例的训练集，其中时间序列所属的类被附加到时间序列的末尾。test是相应的测试集，它所属于的类别就是我们想要预测的结果。在该算法中，对于测试集中的每一个时间序列，每一遍搜索必须遍历训练集中的所有点，从而可以找到最多的相似点。考虑到DTW算法是二次方的，计算过程会耗费非常长时间。我们可以通过LB Keogh下界方法来提高分类算法的计算速度。计算机运行LB Keogh的速度会比运行DTW的速度快很多。另外，当LB

实现简单的模式识别中聚类分类算法，用matlab实现的