一起 k 均值 matlab 代码介绍 SMCL（Self-Adaptive Multi-Prototype-based Competitive Learning）的Matlab代码 作者： 接触： 演示 种子点的数量逐渐增加，直到一个种子点被竞争学习赶走。 用法 以数据集名称作为参数直接运行 smcl.m。 例如： smcl gaussian 输出示例 这些代码输出四个数字和一组数字度量。 命令行输出： >> smcl gaussian SMCL starts on dataset gaussian... epoch 1 epoch 2 epoch 3: duplicate seed point 1 epoch 4 epoch 5 epoch 6 epoch 7: duplicate seed point 1 epoch 8 epoch 9 epoch 10 epoch 11: duplicate seed point 4 epoch 12 epoch 13 epoch 14 epoch 15 epoch 16 epoch 17: duplicate seed point 2 epo

压缩包内包含源代码，报告和实验数据。本实验采用C均值聚类和分裂聚类对数据 进行聚类，数据集为435个男女身高体重，分析不同的初始聚类中心对结果的影响；分裂聚类与C均值聚类在结果上的差别；聚类指标与聚类别数的关系

均值迭代求阈值方法 1. 选择一个初始阈值的估计值T（一个好的初始值是灰度的均值）。 2.用该阈值把图像分割成两个部分R1和R2； 3. 分别计算R1和R2的灰度均值µ1和µ2； 4. 选择一个新的阈值T：T＝(µ1＋µ2)/2； 5. 重复步骤2-4直至后续的迭代中平均灰度值µ1和µ2保持不变。

基于空间信息的模糊均值聚类算法，SFCM，适用于数据分析，图像分割

传统的mean-shift 跟踪算法不能跟踪目标的旋转、缩放运动, 且常常因此造成定位不准. 鉴于此, 将尺度不变 特征变换(SIFT) 特征检测融入到mean-shift 跟踪过程, 提出SIFT 特征点的尺度变化与目标的尺度变化成正比, 特征 点主方向变化与目标旋转角度一致, 给出了基于SIFT 特征的自适应目标尺度、方向计算方法, 且利用带方向、可变 带宽的椭圆核改进传统的mean-shift 跟踪方法. 实验表明, 该算法能够较好地跟踪目标的旋转、缩放运动, 定位也更 准确.

对图片进行均值滤波和中值滤波，VC下可以运行的哦

一个完整的VC++基本图像处理工程，为本人课程设计，具备基本图像增强算法的实现。 包含： 打开位图图片 均值滤波 中值滤波 直方图均衡化 保存位图文件 全部代码有注释。

平滑二维数组数据。 忽略 NaN。 函数 matrixOut = smooth2a(matrixIn,Nr,Nc) 此函数使用均值滤波器对 matrixIn 中的数据进行平滑处理大小为 (2*Nr+1)×(2*Nc+1) 的矩形。 基本上，你最终会更换元素“i”是指以“i”为中心的矩形。 任何 NaN 在平均时忽略元素。 如果元素“i”是一个 NaN，那么它将在输出中保留为 NaN。 在矩阵的边缘， 你不能构建一个完整的矩形，尽可能多的矩形使用适合您的矩阵（类似于 Matlab 内置的默认值功能“平滑”）。 “matrixIn”：原始矩阵“Nr”：用于平滑行的点数“Nc”：平滑列的点数。 如果未指定，则 Nc = Nr。 “matrixOut”：原始矩阵的平滑版本 %%%%%%%%% 截图说明： 左图是“锯齿状”906x1024 矩阵的 pcolor（阴影插值，轴相等）。 请注意

地方高校教学质量的准确评估,有助于高校之间取长补短,提高高校资源利用,引进良性竞争机制,最终实现学校整体教学水平的提高。通过对陕西省十多所地方高校广泛调研,对采集数据归类、合并,并作归一化处理,结合PCA,FCM,DEA及BMK算法提出了一种地方高校绩效评估中的数学新模型,给出了该模型的详细求解过程及算法流程,将该模型与传统模型进行了分析比较,基于FCM的优化选择算法将算法复杂度从O(2n-1)降到了O(n3),引进PCA的DEA模型与DEA-WEI模型复杂度相当。文中将网络上大学某知名排行榜的部分数据和搜集到的一些地方高校发展数据融合,经过优化整理,得到了备选标杆集的指标数据,然后利用论文所给模型借助MATLAB数学软件包在保守标杆集及积极标杆集两种情况下对这些高校作出评估,结果表明,方法简单实用、结论客观有效。论文将数据挖掘等数学方法有机融入到标杆分析中,用于地方高校绩效评估,探索出一条利用标杆分析提高高校教学管理的新思路,丰富了地方高校教学管理的理论和方法。

传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题，难以保证迁移学习效果。针对这个问题，提出了一种基于类内最大均值差异的分布对齐策略。该策略首先预测所有样本的伪标签，然后借助伪标签样本信息依次对齐每个类别的领域类内分布。在深度学习框架下，所提算法能够有效保留分类信息，提高了目标领域的预测能力。实验结果表明，与传统算法比较，所提算法在多个基准数据集上获得了最优的迁移学习效果。