matlab实现k均值聚类算法，以1000个五组随机样本为例，绘制出聚类中心点并分类，可计算出聚类精度和NMI指标结果。

k-means 算法，由c语言实现简单的聚类操作。

Maltab实现K-means算法

RBFNN是使用径向基函数作为激活函数的人工神经网络。 图显示了 RBFNN 的结构。 RBFNN 是三层前馈神经网络。 第一层是线性的，只分配输入信号，而下一层是非线性的，使用高斯函数。 第三层线性组合高斯输出。 在训练期间只修改隐藏层和输出层之间的抽头权重。 RBFNN 有 5 个优化参数： 1- 隐藏层和输出层之间的权重。 2- 激活函数。 3- 激活函数的中心。 4- 激活函数中心的分布。 5- 隐藏神经元的数量。 隐藏层和输出层之间的权重使用 Moore-Penrose 广义伪逆计算。 该算法克服了传统梯度算法中的许多问题，如停止标准、学习率、时期数和局部最小值。 由于其较短的训练时间和泛化能力，适合实时应用。 选择的径向基函数通常是用于模式识别应用的高斯核。 通常激活函数的中心和分布应该具有与数据相似的特征。 这里，使用 Kmeans 聚类算法选择高斯的中心和宽度。 基于通用逼

yolov3-k-means darknet53 自动计算四舍五入 可直接拷贝anchors使用 单个文件，修改Annoations即可使用

9.1 理解聚类分析 餐饮企业经常会碰到这样的问题： 1） 如何通过餐饮客户消费行为的测量，进一步评判餐饮客户的价值和对餐饮客户进行细分，找到有价值的客户群和需关注的客户群？ 2） 如何合理对菜品进行分析，以便区分哪些菜品畅销毛利又高，哪些菜品滞销毛利又低？ 餐饮企业遇到的这些问题，可以通过聚类分析解决。 9.1.1 常用聚类分析算法 与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度将他们划分为若干组，划分的原则是组内样本最小化而组间（外部）距离最大化，如图9-1所示。

SVM+Sift+K-means实现图像分类（python）的代码部分，包含训练和测试代码，以及训练好的模型

这篇文档是基于改进K-means聚类的欠定盲分离算法，利用K-M聚类算法与SCA算法结合，实现对欠定信号进行盲分离的目的。文中提出的算法是一种经典的算法上改进的，希望对做盲源分离的有一定帮助，在此希望大家多多共享，多多分享，共同进步。

基于K-means聚类算法的图像区域分割的MATLAB代码实现，详情可以参考：https://blog.csdn.net/didi_ya/article/details/115376184

行业分类-物理装置-基于基频数据K-Means聚类的支吊架劣化报警方法.zip