采用K-means聚类，实现多维矩阵的聚类，并进行可视化展示（matlab）.rar

针对传统的K-means算法对初始聚类中心的敏感很大，极易陷入局部最优值，基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象，采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类，并提出了一种新的用于评价聚类结果的适应度函数，该函数更为准确地反映类内距离和类间距离。实验结果表明，该方法能获得更好的聚类结果。

使用python进行编码，k - means聚类算法，里面有数据集。

k-means 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。

kmeans：是用Go编写的k-means聚类算法实现

k-means聚类算法及matlab代码调制分类 一种基于我的论文的新方法 用MATLAB Nowly编写，然后导入到Python 单载波调制算法分为两部分。 k-means聚类处理主要任务，而k-center greedy algorithm提高了k-means的性能。 这两个函数一起编译输入信号，该输入信号是复数的数组，并将它们映射到同相正交图上。 在此IQ图上，确定聚类中心，然后将结果传递到另一个代码，该代码确定输入信号的调制类型是什么。 考虑的调制类型是任何M-ary QAM和M-ary PSK调制，它们涵盖了当今大多数流行的调制。 k中心贪婪算法 此功能用于初始化k-means聚类。 通过之前进行该k-means聚类，表现k-means如图我的纸显著改进： 随机初始化它们时，该性能优于k-means和k-means++算法。 与执行此操作相比，执行此操作的成本也很小，因为它可以扫描theta（N）时间中的点，并且还可以提高此性能。 这是度量k-center optimization problem的贪婪近似算法，在k次迭代中达到2的近似因子。 贪婪算法的工作原理如下： 任意选

空间聚类算法中，聚类的效果在很大程度上受制于最佳[k]值的选择。典型的[K]-均值算法中，聚类数[k]需要事先确定，但在实际情况中[k]的取值很难确定。针对手肘法在确定[k]值的过程中存在的“肘点”位置不明确问题，基于指数函数性质、权重调节、偏执项和手肘法基本思想，提出了一种改进的[k]值选择算法ET-SSE算法。通过多个UCI数据集和[K]-means聚类算法对该算法进行实验，结果表明，使用该[k]值选择算法相比于手肘法能更加快速且准确地确定[k]值。

使用k均值聚类的图像压缩 该程序使用图像中每个像素的RGB值作为特征执行k-means clustering 。 图像中成千上万种独特的颜色基本上平均为K种不同的颜色。 各种K值的输出如下所示。 将要压缩的images image.png在images文件夹中。 原始图片积分 该项目的Coursera MOOC：的作业为基础。

K-means聚类，手撕代码、包括数据生成、模型展示，可直接运行

用于k-means多维数据聚类实现，实验数据，希望能帮助大家来学习