主要用的numpy库实现的，其中数据点的生成可以看我另外一个作业模式识别作业:....聚类设计那个用来生成数据

使用聚类算法对连续状态空间进行自适应离散化,得到了基于K-均值聚类的强化学习方法.该方法的学习过程分为两部分:对连续状态空间进行自适应离散化的状态空间学习,使用K-均值聚类算法;寻找最优策略的策略学习,使用替代合适迹Sarsa学习算法.对连续状态的强化学习基准问题进行仿真实验,结果表明该方法能实现对连续状态空间的自适应离散化,并最终学习到最优策略.与基于CMAC 网络的强化学习方法进行比较,结果表明该方法具有节省存储空间和缩短计算时间的优点.

利用K均值聚类IRIS数据，包括两个程序： 一、基于欧氏距离聚类 二、基于余弦距离聚类 二者聚类效果不同，输出结果包括：轮廓图、聚类结果可视化（标注明聚类错误样本）、聚类正确率。

C语言实现了K均值算法，包含两个文件，一个是纯C++语言版本的，可直接运行，另一个是C和Matlab混合版本，图形化运行结果，能够以不同颜色标识不同的聚类，用的是matlab引擎，代码已经写好，只是需要用户自己在集成开发环境如Visual Stuio中配置一些引用matlab的环境，具体配置可参考网上的matlab和C引擎混合。

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。

Kmean、K均值聚类、无监督matlab算法若干案例，内含数据。

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J

提取均值信号特征的matlab代码2021 年心脏病学挑战赛 PhysioNet/计算的 Python 示例代码 这个存储库中有什么？ 我们实现了一个随机森林分类器，它使用年龄、性别和 ECG 导联信号的均方根作为特征。 这个简单的示例说明了如何为挑战设置 Python 条目的格式，它应该在一两分钟内在个人计算机上完成在任何挑战训练数据集上的运行。 但是，它的设计目的不是很好（或者更准确地说，它的设计目的不是很好），因此您不应将其用作模型性能的基准。 此代码使用四个主要脚本（如下所述）为 2021 年挑战训练和测试您的模型。 如何运行这些脚本？ 您可以通过安装需求来运行此分类器代码 pip install requirements.txt 和跑步 python train_model.py training_data model python test_model.py model test_data test_outputs 其中training_data是训练数据文件的文件夹， model是保存模型的文件夹， test_data是测试数据文件的文件夹（你可以在本地使用训练数据进行调

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。