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

基于python的k-means聚类算法的实现代码，不是调用sklearn库的实现方式，步骤清晰且比较详细！如有错误，欢迎批评指出，谢谢！

matlab实现k-means算法。数据集包 含 150 个数据样本，分为 3 类，每类 50 个数据，每个数据包含 4 个属性。可通 过花萼长度，花萼宽度，花瓣长度，花瓣宽度 4 个属性预测鸢尾花卉属于（Setosa， Versicolour，Virginica）三个种类中的哪一类。在本实验中，仅选取 Iris 数据集 的第三和第四个特征，即花瓣长度和花瓣宽度来对 150 个数据样本进行分类。 在 K-means 算法中，首先要指定 K 的大小，即数据应该分为多少类，为探究 此指标对算法的影响，我们一共进行四组实验，分别指定 K=2,3,4,5。其次需要 指定初始的中心点，在本实验中，初始的中心点为随机指定的，因此需要对实验 多次运行。

为构建符合郑州市交通特征的乘用车典型行驶工况,选取60辆乘用车进行数据采集,将采集的有效行驶数据划分成120 744条运动学片段,采用主成分分析法对构建的特征参数矩阵进行降维、非线性化处理。选取戴维森-堡丁指数来确定最佳聚类数,并通过全局K-means聚类算法将主成分分析得到的4个主成分聚成3类,然后采用相关系数法从各类片段库中选取具有代表性的运动学片段,从而构建出郑州市乘用车典型循环工况(ZZ_DC)。通过与传统K-means聚类算法构建的工况比较,采用全局K-means聚类构建的工况更加准确地反映了郑州市乘用车在实际道路上的行驶状态。将ZZ_DC工况与国内一直采用的乘用车测试工况(NEDC工况)比较,结果表明,ZZ_DC工况与NEDC工况差异显著,因此,有必要开发出适用于郑州市交通特征的乘用车行驶工况。

order.csv是K-Means聚类算法使用到的数据集，通过K-Means聚类算法可以实现对于order.csv中的数据按照聚类中心进行聚类

03_案例三：K-Means算法和Mini Batch K-Means算法效果评估.ipynb6.85 kB3 分钟前 02_案例二：K-Means算法和Mini Batch K-Means算法比较.ipynb227 kB3 分钟前 01_案例一：K-Means算法聚类.ipynb

Matlab source code for EM algorithm EM algorithm for k multidimensional Gaussian mixture estimation % (EM_GM_fast is the modified version of EM_GM for speed enchancement. % The functionalities of EM_GM_fast and EM_GM are identical.)