这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

模糊聚类算法： 我们已经实现了两种算法： 和 。 检查视频以获取算法的输出。 例子： 示例详细信息： 50次迭代 m = 2 4个集群 犯罪数据集的前2列：“谋杀，殴打” 实施细节： 科学工具学习类似的结构。 完全矢量化。 用于图像分割的用户界面。 在某些数据集上进行了测试。

聚类轨迹 该Python脚本接收分子动力学或Monte Carlo轨迹（.pdb，.xyz或OpenBabel支持的任何格式），使用Kabsch算法找到结构之间的最小RMSD，并执行聚集聚类（一种无监督的机器学习），以对相似的构象进行分类。 该脚本是在考虑到Python 3的情况下开发的，但是，鉴于所有库均可用，它也应在Python 2.7中工作。 脚本要做的是计算轨迹的每个配置之间的距离（使用最小RMSD），建立一个距离矩阵（以压缩形式存储）。 请注意，计算距离矩阵可能需要一些时间，具体取决于您的轨迹多长时间以及每种配置中有多少原子。 距离矩阵也可以从文件中读取（使用-i选项），以避免每次您要更改链接方法（使用-m ）或聚类的距离时重新计算该距离矩阵。 依存关系 该实现依赖于几个库，因此在运行脚本之前，请确保已在Python发行版中安装了所有库。 当前，需要以下库： 我们建议使用 P

该程序演示了以下论文中提出的LSC超像素分割方法： Jiansheng Chen, Zhengqin Li, Bo Huang, Linear Spectral Clustering Superpixel, IEEE Transactions on Image Processing, Vol. 26，第 7 期，第 3317-3330 页，2017 年。 Zhengqin Li, Jiansheng Chen, Superpixel Segmentation using Linear Spectral Clustering，IEEE Con​​ference on Computer Vision and Pattern Recognition (CVPR)，2015 年 6 月 该程序可免费用于非商业学术用途。 未经作者同意，严禁任何商业用途。 1.在Matlab下使用命令编译LSC_

克劳斯特里 在进行聚类分析时，决定使用哪种分辨率可能是一个难题。 解决此问题的一种方法是查看样本如何随着簇数的增加而移动。 该软件包允许您生成聚类树，这是一种可视化的视图，用于在分辨率提高时询问聚类。 安装 您可以使用以下方法从CRAN安装clustree的发行版： install.packages( " clustree " ) 如果要使用可以使用remotes软件包从GitHub安装的开发版本，请执行以下操作： # install.packages("remotes") remotes :: install_github( " lazappi/clustree@develop " ) 要构建小插图，请使用： # install.packages("remotes") remotes :: install_github( " lazappi/clustree@develo

Java后端进行经纬度点抽稀聚合，HTML呈现及前端聚合渲染 index.html 谷歌map后端点聚合 geos.html 后端点聚合并渲染 geo_cluster.html mapbox前端点聚合 jpg/heatJpgTile.html 栅格瓦片jpg渲染底图及数据 multilines.html 多点，线面渲染

Kmeans clustering algorithm

.m example for mean-shift clustering algorithm. To use the mean-shift file your self, you need to adjust the 'bandwidth' by your self. To see what is happening, run 'testMeanShift.m' file. Originally from the file on MathWork, with a few adjustment.

凸聚类 这是凸聚类的示例代码。 我参考了一篇论文“ Convex Clustering with Exemplar-Based Models ”来编写代码。 实现了基本算法，但未实现任何优化。 要运行此代码，您需要调用包含主函数的convex_clustering.py。 我建议您阅读原始论文以获取有关凸聚类的更多知识。 如果你是日本人，我也推荐你阅读《 》。 代码的动机是对我的研究的调查。 所以，这段代码可能有点错误。 如果您发现错误，请通知我该错误。