均值聚类算法可以做聚类分析、以及基于成像的波形提取

电影作为典型的短周期、体验型产品，其票房收益受众多因素的共同影响，因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络（BPNN）的票房预测模型对目前的票房预测模型存在的不足进行改进，从而提高票房预测的精度：（1）构建基于随机森林的影响因素影响力测量模型，并以此为依据对票房影响因素进行筛选，以此来简化后续预测模型的输入；（2）考虑到不同影响因素对票房的影响力不同的现实情况，为了解决以往研究中对影响因素权重平均分配的问题，本文构建了基于加权K-均值和局部BP神经网络的票房预测模型，以因素影响力为依据对样本数据进行加权的K-均值聚类，并基于子样本构建局部BP神经网络模型进行票房预测.实验证明，本文所构建的模型平均绝对百分比误差（MAPE）为8.49%，低于对比实验的10.39%，可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.

学习图像降噪、bilateral filtering、nonlocal means filtering、小波降噪、DCT降噪。 报告要求：对给出的图像进行上述处理，附上代码并且对处理结果给出展示。 为程序

介绍无监督学习与聚类算法，分别介绍了基于原型的技术的K-Means和基于密度的聚类算法的DBSCAN，分别讲明了他们的原理并在sklearn库使用python进行演示，介绍了一些重要参数并加以说明。

改进kmeans算法matlab代码 通过K均值聚类对矢量进行量化： 整个代码库，图像和说明可在此存储库中找到。 加载图像： 1.1在本项目中，我们使用了NCSU工程大楼校园的图像，如下所示： 该图像已加载以下MATLAB代码（未读取）： ％1。加载图像（EB的视图）：I = imread（'ncsu.jpg'）; 图（1），imshow（I）; title（'原始输入RGB图像'）; 1.2然后，使用下面的MATLAB代码（rgb2gray）将输入的RGB图像转换为灰度图像： 从RGB转换为灰度图像：rgbI = rgb2gray（I）; Figure（2），imshow（rgbI）; title（'灰色图像'）; 1.3现在，为了简化数学，我们将图像调整为适当的尺寸，其中我们选择min {M，N}为2的幂，并且max {M，N}为2的幂的倍数。 在我们的例子中，我们取M = 512和N = 2X512。 我们正在使用以下MATLAB代码调整rgb图像的大小： ％处理图像以获取正确的尺寸％获取灰色图像的尺寸：[M，N] = size（rgbI）; ％将图像重塑为尺寸M = 512，N

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。

Cuda K-Means 图像聚类算法由 Andrea Toscano, Università degli Studi di Milano (Informatica) 在 NVidia Cuda 中实现。 这个小项目展示了如何实现应用于图像的 K-Means 聚类算法以减少其颜色。 一些预处理是使用 python 脚本计算的，以便以更好的方式表示图像并轻松找到适合算法的初始质心。 在 Cuda K-Means 例程中涉及全局内存和常量内存。 未来的工作还将包括包含整个图片的纹理内存，从而提高算法的性能。

在scikit-learn中的单元超球面上聚类 演算法 此软件包实现了scikit-learn的Banerjee等人在JMLR 2005 概述的三种算法。 球形K均值（spkmeans） 球形K均值与常规K均值的不同之处在于，它在每个最大化步骤结束时（即归一化质心）将估计的聚类质心投影到单位球体上。 冯·米塞斯·费舍尔分布（movMF）的混合 就像通过均值和方差来参数化高斯分布一样，具有均值方向$\mu$和浓度参数$\kappa$ 。 从vMF分布得出的每个点$x_i$和平均方向$\|\mu\|_2 = 1$生活在单位超球面$\S^{N-1}$ （即$\|x_i\|_2 = 1$ ）的表面上$\|\mu\|_2 = 1$ 。 较大的$\kappa$会导致点集中度更高。 如果我们的数据作为一种模式米塞斯费舍尔分布的，我们有一个额外的重量参数$\alpha$在混合物中各分布。 movMF算法通过期望最大化（EM）估计混合参数，使我们能够相应地对数据进行聚类。 软运动MF 估计每个类别的每个示例的实值后验。 从某种意义上说，这使我们可以进行软聚类，因为每个数据点都有聚类的可能性。

本程序是在python中完成，基于sklearn.cluster中的k-means聚类包来实现数据的聚类，对于里面使用的数据格式如下：（注意更改程序中的相关参数） 138 0 124 1 127 2 129 3 119 4 127 5 124 6 120 7 123 8 147 9 188 10 212 11 229 12 240 13 240 14 241 15 240 16 242 17 174 18 130 19 132 20 119 21 48 22 37 23 49 0 42 1 34 2 26 3 20 4 21 5 23 6 13 7 19 8 18 9 36 10 25 11 20 12 19 13 19 14 5 15 29 16 22 17 13 18 46 19 15 20 8 21 33 22 41 23 69 0 56 1 49 2 40 3 52 4 62 5 54 6 32 7 38 8 44 9 55 10 70 11 74 12 105 13 107 14 56 15 55 16 65 17 100 18 195 19 136 20 87 21 64 22 77 23 61 0 53 1 47 2 33 3 34 4 28 5 41 6 40 7 38 8 33 9 26 10 31 11 31 12 13 13 17 14 17 15 25 16 17 17 17 18 14 19 16 20 17 21 29 22 44 23 37 0 32 1 34 2 26 3 23 4 25 5 25 6 27 7 30 8 25 9 17 10 12 11 12 12 12 13 7 14 6 15 6 16 12 17 12 18 39 19 34 20 32 21 34 22 35 23 33 0 57 1 81 2 77 3 68 4 61 5 60 6 56 7 67 8 102 9 89 10 62 11 57 12 57 13 64 14 62 15 69 16 81 17 77 18 64 19 62 20 79 21 75 22 57 23 73 0 88 1 75 2 70 3 77 4 73 5 72 6 76 7 76 8 74 9 98 10 90 11 90 12 85 13 79 14 79 15 88 16 88 17 81 18 84 19 89 20 79 21 68 22 55 23 63 0 62 1 58 2 58 3 56 4 60 5 56 6 56 7 58 8 56 9 65 10 61 11 60 12 60 13 61 14 65 15 55 16 56 17 61 18 64 19 69 20 83 21 87 22 84 23 41 0 35 1 38 2 45 3 44 4 49 5 55 6 47 7 47 8 29 9 14 10 12 11 4 12 10 13 9 14 7 15 7 16 11 17 12 18 14 19 22 20 29 21 23 22 33 23 34 0 38 1 38 2 37 3 37 4 34 5 24 6 47 7 70 8 41 9 6 10 23 11 4 12 15 13 3 14 28 15 17 16 31 17 39 18 42 19 54 20 47 21 68 22

用于对数据进行聚类分析的一个很好程序代码，里面是三个程序代码的M文件，较为实用