kmeans算法的c#实现 不过工程是vs2012下的，下载前请注意，如果不能打开vs2012工程可以下载之后直接看cs文件

python实现k-means算法图片的变化检测。变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程；遥感变化检测是一个确定和评价各种地表现象随时间发生变化的过程；遥感变化检测是遥感瞬时视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化。

带有gpu支持的基本kmeans算法（带有Forgy初始化的劳埃德方法）的pytorch实现 用法： from kmeans_pytorch . kmeans import lloyd import numpy as np A = np . concatenate ([ np . random . randn ( 1000 , 2 ), p . random . randn ( 1000 , 2 ) + 3 , p . random . randn ( 1000 , 2 ) + 6 ], axis = 0 ) #lloyd(X, n_clusters, device=0, tol=1e-4) clusters_index , centers = lloyd ( A , 2 , device = 0 , tol = 1e-4 ) 有关一些测试示例，请参见kmeans_test.ipynb

【CUDA并行编程之八】Cuda实现Kmeans算法-附件资源

hadoop分布式环境下的kmeans算法实现,hadoop下的kmeans算法实现.

基于聚类(Kmeans)算法实现的客户价值分析系统（包含custcall,custinfo,result,tariff,国内某航空公司会员数据）等数据信息

本代码为KMeans算法的Python测试程序，包含了文本数据用于测试。分析文章见：http://blog.csdn.net/gugugujiawei/article/details/45578547

kmeans kmeans算法的python实现 KMeans为实现算法的文件 test_kmeans为二维数据的测试文件 KMeans为实现3维数据的稍微一点的改动 test_kmeas_v1为三维数据的测试文件 各个文件的注释文件均比较详细

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。

matlab实现kmeans算法，可直接运行，稍加改动可实现复杂需求。