isodata的matlab代码博客 ISODATA ISODATA聚类算法

针对冷轧企业大批量生产模式与多品种、小批量的市场需求之间存在的矛盾, 建立以合同交货期差异度、工艺路线差异度和调整次数最小化为目标, 同时满足批次重量、出(入)口 宽度、出(入)口厚度、抗拉强度等工艺约束的冷轧合同组批模型, 构建了基于改进粒子群的模糊聚类算法并进行求解. 利用国内某冷轧企业实际生产数据对所提出模型和算法进行了验证, 结果表明, 所提出的方法优于FCM算法, 能够满足企业批量计划的需求.

使用超像素对图像作预处理，用密度峰值聚类进行图像分割

基于密度峰值的聚类算法全称为基于快速搜索和发现密度峰值的聚类算法(clustering by fast search and find of density peaks, DPC)。它是2014年在Science上提出的聚类算法，该算法能够自动地发现簇中心，实现任意形状数据的高效聚类。 该算法基于两个基本假设：1）簇中心（密度峰值点）的局部密度大于围绕它的邻居的局部密度；2）不同簇中心之间的距离相对较远。为了找到同时满足这两个条件的簇中心，该算法引入了局部密度的定义。

IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） 入侵杂草优化算法是一种模拟自然界杂草殖民过程的一种新型智能优化方法，具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，目前，入侵杂草优化算法已被成功应用到许多领域。但该算法本身也存在着易陷入局部最优，后期寻优精度不高等缺陷，大大地限制了入侵杂草优化算法的应用范围。针对入侵杂草优化算法存在的寻优精度不高和早熟现象，提出了利用杂草算法的种群多样性进行全局搜索，同时用复合形的反射、延伸、压缩等运算产生一个新解替代当前种群中最差的个体来进行局部搜索，可有效地避免算法早熟现象，同时提高了算法的寻优精度，增加算法的收敛速度。 IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab）

基于密度峰值的聚类算法，matlab官方程序。

【数据描述】 经典机器学习算法练手聚类数据集，csv格式，存储了3000余组坐标点数据（x，y），可用于sklearn或普通python实现KMeans聚类，回归等任务 【使用说明】 建议python使用pandas进行数据导入，再使用python进行数据分析以及聚类等，也可以通过自己生成训练集与测试集的方式完成数据划分

基于python的高斯混合模型（GMM 聚类）的 EM 算法实现

列联表的作用是分析定类变量和定类变量之间有无关系； 优点：不需要确定因变量和自变量； 缺点：卡法检验对三维和三维以上列联表资料的分析有一定的困难，即对混杂变量的控制较为困难。 此篇文章具体讲述了如何对四维、多维与更高维度列联表进行降维处理。

机器学习聚类算法及实现，掌握K-means聚类的使用思路和使用方法