模糊聚类 该软件包实现了模糊c均值（FCM）分类算法，以及用于可视化分类结果的一组图形工具。 FCM执行软分类。 不是将样本分配给单个类别，而是为每个样本赋予每个类别一个成员资格评分（类似于归属概率）。 该算法迭代地使用隶属度分数来更新聚类质心的位置，并使用聚类质心的位置来更新隶属度分数。 众所周知，经典FCM [1]对高维敏感[2]。 我正在研究算法的两个修改，以改善分类结果：多项式模糊函数和隶属度正则化[3]。 该软件包提出了三种评估最终分类结果质量的方法：1） FCM算法的目标函数。 它主要考虑了群集的紧凑性2） VIdso索引[4]。 它结合了群集散布，分离和重叠的度量3）广义的内部帧间轮廓[5]。 它结合了群集的紧凑性和分离性，并提供了分配质量的逐样本测量。 但是，该索引具有很高的计算成本。 可视化工具包括图形化的辅助工具，用于识别可能突出显示数据集中基础结构的聚类解决方案

K均值算法使用聚类的准则函数是误差平方和准则，通过反复迭代优化聚类结果，使得所有样本到各自所属类别的中心的距离平方和达到最小【10】。该算法的特点是选一批代表点（初始聚类中心）后，计算所有样本到聚类中心的距离，将所有样本按最小距离原则划分类别，形成初始分类，再重新计算各聚类中心，这是引种批处理方法。另一种方法是逐个处理法，每读入一个样本就把它归于距离最近的一类，形成新的分类并计算新的聚类中心，然后再读入下一个样本归类，即每个样本的归类都改变一次聚类中心。

可视化分类结果，只弄了2维的可视化 需要在同文件中自己新建一个生产的数据文本 看看你就懂了，完全按照k均值聚类的思想写的

二分K均值算法matlab代码k均值用于流式传输和分布式大稀疏数据 介绍 在此存储库中，我们提供了核心集算法的Matlab实现，可用于以下方面的评估： k均值用于流传输和分发大稀疏数据。 Artem Barger和Dan Feldman。 2016年SIAM数据挖掘国际会议论文集。 工业和应用数学学会，2016年。 演算法 我们提供了以上论文中使用的三种算法的实现： 统一核心集 不一致的最强（基于灵敏度） 我们的算法（确定性核心集构建） 原料药 Coreset算法提供了两个非常基本的API： 从R^d给定点P的集合： computeCoreset(P ）-将点P压缩为加权集C的核心集 给定两个核心集C1和C2： mergedCoreset(C1, C2) -将两个核心集合并为一个新的C'。 详细用法 矩阵Matrix.m 矩阵抽象将R^d中n P点的集合封装在大小为n-by-d R^d的矩阵中。 PointFunctionSet - PointFunctionSet.m 表示加权点集的类，根据将点映射为实际值（权重）的函数来表示。 统一核心集uniformCoreset.m 使用以下A

针对模糊c-均值（FCM）聚类算法受初始聚类中心影响，易陷入局部最优，以及算法对孤立点数据敏感的问题，提出了解决方案：采用快速减法聚类算法初始化聚类中心，为每个样本点赋予一个定量的权值，用来区分不同的样本点对最终的聚类结果的不同作用，为提高聚类速度采用修正隶属度矩阵的方法，并将算法与传统的FCM相比。实验结果表明，该算法较好地解决了初值问题，与随机初始化方法相比，迭代次数少、收敛速度快、具有较好的聚类结果。

一种基于GA的模糊C均值算法，用IRIS数据验证后聚类效果很好。

用matlab实现模糊c均值聚类，并且实现图像分割。

简单实现平面的点K均值分析，使用欧几里得距离，并用pylab展示。 复制代码 代码如下:import pylab as pl #calc Euclid squiredef calc_e_squire(a, b):    return (a[0]- b[0]) ** 2 + (a[1] – b[1]) **2 #init the 20 pointa = [2,4,3,6,7,8,2,3,5,6,12,10,15,16,11,10,19,17,16,13]b = [5,6,1,4,2,4,3,1,7,9,16,11,19,12,15,14,11,14,11,19] #define two k_va

准确、快速地采集和计算出电力系统实时电压和电流的基波分量的有效值(或幅值)和相位对于保证电力系统的稳定、安全和经济运行十分重要。其精度和速度也是各种微机继电保护和自动控制装置的重要性能指标。然而,当电力系统频率偏离 50 Hz时,在定采样间隔条件下,利用快速Fourier变换(FFT)计算电压和电流的基波,会产生较大的误差。该文提出一种简单实用的基于 FFT的均值算法,它可以明显地提高基波电压和电流向量的计算准确度;利用该算法,可使电力系统频率在偏离额定频率±2Hz时,基波幅值计算结果的误差< 0.5,相

模式识别中聚类分析经典算法，K-均值算法，C语言编写，可以读入文件，处理任意维数和任意个数的特征向量，附有测试数据。