针对数据库用户行为异常导致数据库泄露问题，提出了一种基于K-means和naive Bayes算法的数据库用户异常检测方法。首先，利用数据库历史审计日志中用户的查询语句与查询结果，采用K-means聚类方法得到用户的分组；然后，使用naive Bayes分类算法构造用户异常检测模型。与单独使用naive Bayes分类法构造的模型相比，在数据预处理时其精简了用户行为轮廓的表示方法，降低了计算冗余，减少了81%的训练时间；利用K-means聚类方法得到用户组别，使检测的精确率提高了7.06%，F1值提高了3.33%。实验证明，所提方法大幅降低了训练时间，取得了良好的检测效果。

基于Matlab实现： 模式识别 改进的K-Means++算法 实现模式分类

用于聚类多元数据的 k-means++ 算法的有效实现。 已经表明，该算法具有对 log(k) 竞争的总簇内距离的期望值的上限。 此外，k-means++ 通常比普通 k-means 收敛得多。

matlab sift，k-means等算法工具箱

本实验为了解和测试模糊算法并在实际背景下进行应用。 1、 寻找合适的具有实际意义的数据集。 2、 根据数据集进行matlab自带的kmeans函数和fcm函数进行分类与分析。 3、 自己设计算法myKmeans函数对数据集进行分类。 数据集1：威斯康星州乳腺癌数据集 原因：目前癌症的初步检测还是主要依靠医生的经验判断，为了提高医生的工作效率，以及减少医生的经验判断失误，所有希望计算机协助医生进行判断。 目标:根据已有的对乳腺癌的特征的分类，判断患者的乳腺癌是属于良性还是恶性，进一步帮助患者的治疗。 数据集2：胸外科数据集 原因：目前肺癌治疗主要肺切除术虽然已经成熟，但是患者是否该接受手术还是应该慎重的评定。 目标:根据已有的数据的特征的分类，判断患者是否应该接受手术治疗，有无成功率。 --------------------- 作者：zxm_ 来源：CSDN 原文：https://blog.csdn.net/zxm_jimin/article/details/87938542 版权声明：本文为博主原创文章，转载请附上博文链接！

基于K_means聚类的室内三维定位算法

提供了k-means多维数据的聚类分析matlab源代码代码

对文本进行聚类，文本预处理-->构造特征向量-->聚类，压缩包内含有实验用语料亲测可用， 谢谢支持。

k-means聚类算法及matlab代码 数据挖掘实验 实验一：相似度、距离、最近邻分类器 1、实验目的 （1）理解相似度、距离的度量方式。 （2）理解最近邻分类器的工作原理。 2、实验内容 （1）、实现任意给定两个相同维度的向量之间的欧氏距离计算函数 function dist = dist_E(x,y) （2）、实现任意给定两个相同维度的向量之间的夹角余弦相似度计算函数 function sim = sim_COS(X,Y) （3）、实现K最近邻算法 KNN算法思想 输入参数：k值、trainingSamples（训练数据集，MN矩阵，M为样本数，N为属性 数）、trainingLabels（训练数据集的分类标签0、1、2...，M1矩阵）, testingSample （测试数据，1*N矩阵） 输出参数：class（测试数据对应类别标签） 算法流程： 得到训练数据集trainingSamples的大小M，N 初始化Distance数组（M*1），用来存储每个训练样本与测试样本的距离。 对每一个训练样本trainingSamples(i,:)【for i=1:M】，计算其与测试样本

算法描述：K均值算法： 给定类的个数K，将N个对象分到K个类中去， 使得类内对象之间的相似性最大，而类之间的相似性最小。