蚁群聚类算法的T_S模糊模型辨识.doc

RFM分析与建模 使用K-Means和聚集聚类基于RFM功能创建客户细分

python机器学习算法决策树和聚类分析实验报告

zip文件包含两个函数：kmedia.mat和isodata.mat，这个函数做了两种聚类方法。 Kmedia 函数执行 k-means 算法，它具有树输入（X 向量、Y 向量和最终簇数）并返回每个簇的元素和每个簇的中心。 Isodata 函数返回相同的结果，但有更多的输入，这是 ISODATA 算法所必需的。 有两个函数，“kmedia”和“isodata”，这些函数执行“k-means”和“ISODATA”的聚类算法。 这些函数将点向量和某些参数作为输入，并返回找到的分组及其质心。

为解决词语相在语义网自适应学习系统中相似度计算不清的问题,以同义词词林为基础,提出并实现了一种基于同义词词林的词语相似度计算方法,充分分析并利用了同义词词林的编码及结构特点。该算法同时考虑了词语的相似性,和词语的相关性。进行人工测试,替换测试以及与当前流行的基于"知网"的词语相似度算法对比测试的结果表明,该算法与人们思维中的相似度值基本一致,有较高的准确性。

Cluster_2D_Visualization.m 是一个生成随机（均匀）分布数据点的脚本，运行 kMeans.m 和 MATLAB 的内置 kmeans 函数，测量和比较它们的性能（即计算时间），并可视化最终的集群和数据的分布直方图中聚类中的点。 kMeans.m 实现 k-means（无监督学习/聚类算法）。 技术细节： 初始质心是从所有数据点的集合中随机选择的（每个数据点最多一次）。 停止条件是不对任何集群进行任何更改。 clustering_app.mlapp 打开一个带有 GUI 的应用程序，您可以在其中随机生成数据点并将它们聚类。 您可以重新点击所有按钮以查看点生成和聚类算法中的随机性。 clustering_app.mlappinstall 在 MATLAB 编辑器中安装 MATLAB 应用程序。

1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。 下面是K-Means聚类算法的分析流程，步骤如下： 第一步，确定K值，即将数据集聚集成K个类簇或小组。 第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。 第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。 第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。

提出了一种基于分水岭变换和核聚类算法的图像分割算法.通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用 Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域.实验结果证明了该算法的可行性和有效性.

数据挖掘中关联规则及聚类并行算法研究.doc

数据挖掘中的聚类算法研究.doc