纸 论文“深度融合集群网络”的源代码 图W.涂，周S.，刘X.，郭X，蔡Z. 被AAAI2021接受。 安装 克隆此仓库。 git clone https://github.com/WxTu/DFCN.git Windows 10或Linux 18.04 的Python 3.7.5 脾气暴躁的1.18.0 斯克莱恩0.21.3 火炬视觉0.3.0 Matplotlib 3.2.1 准备 我们总共采用了六个数据集，包括三个图形数据集（ACM，DBLP和CITE）和三个非图形数据集（USPS，HHAR和REUT）。 要在这些数据集上训练模型，请从（访问代码：4622）或下载它们。 代码结构与用法 在这里，我们提供了PyTorch中的深度融合集群网络（DFCN）的实现，以及DBLP数据集上的执行示例（由于文件大小的限制）。 该存储库的组织方式如下： load_data.py

在线聚类算法在数据科学中发挥着至关重要的作用，尤其是在时间、内存使用和复杂性方面的优势，同时与传统聚类方法相比保持了较高的性能。本教程服务于，首先，作为在线机器学习的调查，特别是数据流聚类方法。在本教程中，最先进的算法和相关的核心研究线程将通过识别不同的类别基于距离，密度网格和隐藏的统计模型。聚类有效性指标作为聚类过程中的一个重要组成部分，通常被忽略或被分类指标所取代，导致对最终结果的误解，也将被深入研究。 然后，本文将介绍River，一个由Creme和scikit-multiflow合并而成的go-to Python库。它也是第一个包含在线集群模块的开源项目，该模块可以促进可重复性，并允许直接进一步改进。在此基础上，我们提出了基于现实问题和数据集的聚类配置、应用程序和基准设置的方法。

弗雷德 快速，可扩展且轻量级的C ++Fréchet距离库，暴露于python，专注于多边形曲线的（k，l）聚类。 成分C ++后端 import Fred.backend as fred 线程数 默认情况下，Fred将自动确定要使用的线程数。如果要设置上限，请调用fred.set_maximum_number_threads(number) 。 曲线 签名： fred.Curve(np.ndarray) ， fred.Curve(np.ndarray, str name) 属性： fred.Curve.values ：曲线为np.ndarray ， fred.Curve.name ：获取曲线的名称， fred.Curve.dimensions ：曲线的尺寸， fred.Curve.complexity ：曲线的点数 曲线图 签名： fred.Curves() 方法： fred.Curv

matlab fcm函数代码聚类 探索聚类方法的项目 背景 该存储库包含Matei关于群集的Rmd讲座。 我还建议您下载Young / Old FlowRepository数据集。 为此： 安装FlowRepositoryR软件包 使用该程序包，检索FR-FCM-ZZGS数据集 查看此git存储库中的代码，以获取有关如何进行质量控制和数据预选门的建议/指导 之后，玩得开心！ 尝试FlowSOM。 考虑一下您自己的聚类和总体识别想法。 寻找在新老受试者之间差异显着的T细胞亚群。 年轻/旧数据集 该数据集由美国纽约州罗彻斯特市的David H. Smith疫苗生物学与免疫学中心罗彻斯特人体免疫学中心创建。 目的是使用SWIFT的竞争性聚类分配方法来测量老年人/年轻人中PBMC亚群之间的差异。 SWIFT是一种非常好的聚类方法，可在MATLAB中实现，如所述。 不幸的是，由于它是在MATLAB（这是一个可商购的系统）中实现的，因此您可能无法自己运行它。 但是，您可以将结果与已发布的SWIFT结果进行比较。 质量控制和门控 此仓库中包含三个包含我的R代码的文件。 yo_utils.R 该文件包

强化凝聚聚类 为了克服聚集聚类中传统链接标准的贪婪性，我们提出了一种强化学习方法，通过将聚集聚类建模为马尔可夫决策过程来学习非贪婪合并策略。 是层次聚类的一种“自下而上”的方法，其中每个观察值都在其自己的聚类中开始，并且随着一个聚类向上移动，聚类对将合并。 聚集聚类是一个顺序决策问题，它伴随着一个问题，即较早做出的决定会影响较晚的结果。 但是传统的链接标准无法通过简单地测量当前阶段集群的相似性来解决这个问题。 这促使我们将聚类建模为马尔可夫决策过程，并通过强化学习对其进行求解。 代理应该学习非贪婪的合并策略，以便选择每个合并操作以获得更好的长期折价奖励。 该状态定义为当前聚类的特征表示。 我们使用池来聚合所有集群的功能。 该动作定义为合并群集i和群集j。 我们使用Q学习来计算状态-动作对的值。 在训练中，奖励是通过图像的地面真相标签来计算的。 并且在测试时，我们在不同的域中测试代理，以

Clustering, a book, writen by RUI XU and DONALD C. WUNSCH, II

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

Hierarchical Clustering所需的数据文件

CHAMELEON A Hierarchical Clustering Algorithm ：变色龙的层次聚类算法.ppt

数据挖掘 聚类算法 Biclustering
对写论文的有很大帮助。
(国外期刊资料)