kmeans 分析matlab代码K均值聚类 这是K-means算法在MATLAB和Python中的简单实现 K-means 聚类是一种矢量量化方法，最初来自信号处理，在数据挖掘中流行用于聚类分析。 k-means聚类旨在将n个观测值划分为k个簇，其中每个观测值都属于具有最近均值的簇，作为簇的原型。 这导致将数据空间划分为 Voronoi 单元。 该代码实现了 K-means 算法并在一个简单的 2D 数据集上对其进行了测试。 例子 在这个例子中，我们首先从三个正态分布生成一个点数据集并标记数据集。 这个带有正确标签的数据集是我们的真实值。 然后我们重新调整标签并为新数据集运行 k-means 算法。 该算法正确地对数据集进行聚类，并估计聚类的中心。 在最后一步，我们将我们的结果与 Mathworks 实现的 k-means 的结果进行比较。 结果 我在我的机器上得到的结果如下： iteration: 1, error: 1.8122, mu1: [-0.2165 4.0360], mu2: [4.2571 0.0152], mu3: [-1.1291 -3.0925] iterati

数学建模有关的算法代码，MATLAB的基本实现，智能算法k-means，聚类算法的代码实例，通过了解基本原理知道分类方法，通过随机生成数据来模拟，实现基本的聚类情况，可在原有代码基础上改进。

基于密度的聚类算法optics（matlab程序）。官方程序，亲测好用，欢迎下载。

本文于cloud.tencent.com，介绍了典型算法，CLIQUE聚类算法，WaveCluster算法，WaveCluster聚类算法等。俗话说：“物以类聚，人以群分”，在机器学习中，聚类算法是一种无监督分类算法。聚类算法很多，包括基于划分的聚类算法（如：kmeans），基于层次的聚类算法（如：BIRCH），基于密度的聚类算法（如：DBScan），基于网格的聚类算法等等。基于划分和层次聚类方法都无法发现非凸面形状的簇，真正能有效发现任意形状簇的算法是基于密度的算法，但基于密度的算法一般时间复杂度较高，1996年到2000年间，研究数据挖掘的学者们提出了大量基于网格的聚类算法，网格方法可以有

Approximation Algorithms for K-Modes Clustering，何增友，，In this paper, we study clustering with respect to the k-modes objective function, a natural formulation of clustering for categorical data. One of the main contributions of this p

针对传统无功电压聚类分区后各分区中枢点较难定量分析确定的问题，从先定量判别出整个电网的中枢节点再完成无功电压分区的角度，提出将电网所有PV节点松弛为PQ节点，由注入电流形式的潮流方程计算出全网电压越限节点，利用越限节点电压与电网其余节点电压间的线性灵敏度不断校正直到全网节点电压不再越限，通过进一步潮流计算校验，确定所有中枢节点。将全网中枢点数目确定为应划分成的分区数，以节点电压与节点注入无功电流之间的线性灵敏度为无功电压标度，建立无功源控制空间，引入云聚类算法，完成全网节点从无功源控制空间向云模型的转换，进而由云发生器完成以所定中枢点为中心的电网所有节点的聚类软划分。IEEE 14、IEEE 30节点输电网络仿真测试结果，验证了所提方法的有效性。

基于豆瓣电影用户数据使用Canopy+K-means聚类的协同过滤推荐 更新对比实验、豆瓣热门电影数据集

印度尼西亚降雨模式分类使用时间序列K均值 使用时间序列k均值对印度尼西亚的三种主要降雨模式进行聚类。 k均值中的距离计算是动态时间规整（DTW），通常用于模式匹配和时间/顺序数据聚类。

摘要：针对传统配电网区域规划方法无法满足实际需求，而基于传统聚类算法的配电网区域规划方法存在着初始聚类中心选取不合理和聚类个数不确定的问题。文中对传统K-mea

中科院仪器设备共享管理平台（以下简称为SAMP）系统有效解决了各科研单位间仪器设备管理封闭、共享困难和运行效率低的棘手问题.同时，可以及时了解各类仪器的使用情况、共享情况，为各级业务主管部门展开科学高效的管理工作提供良好的决策依据.当SAMP系统应用数据库中存储的数据量达到百万级时，对数据库中预约表和用户表（或仪器表）进行连接查询时，将导致数据表查询性能的下降，从而影响整个SAMP系统的性能.目前主流的解决方案是采用Hash取模算法对数据表进行水平切分，但预约表中的主键为自动递增的整数，并没有实际意义，所以优化效果不理想.由于预约的用户和被预约的仪器在地理区域上呈现一定的聚集性，因此本文提出了一种基于K-means聚类算法的分表策略，采用该策略能够将预约表的查询性能提升至少70%.