传统模糊??-均值(FCM) 算法要求一个样本对于各个聚类的隶属度之和满足归一化条件, 从而导致算法对噪声和孤立点敏感, 对非均衡分布样本的聚类有效性降低. 针对该问题, 提出一种改进模糊隶属函数约束的FCM聚类算法, 通过放松归一化条件, 推导出新的隶属度划分公式, 并在聚类过程中不断进行隶属度修正, 从而达到消除噪声样本、提高聚类有效性的目的. 最后通过实验结果对比验证了改进算法的正确性.

本程序采用C#实现了K均值聚类，批处理文件中的参数为需要批处理的文件名，文件中的每一行为一个文件，在实际使用中，可以更加需要修改

均值滤波曲率处理斜坡单元，按论文里来处理流程做的斜坡单元工具箱，但是结果和之前的斜坡单元差强人意，请谨慎下载

自适应k均值 matlab 代码

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