有关模式识别的问题很多，本程序属于用fcm做三维分割的matlab仿真程序，希望对刚开始起步的科研人员有所帮助

代码解释的很详细，可以直接用，已经测试过了，很好用。

nmf的matlab代码

性能指数聚类国家 根据各种绩效指标使用K均值聚类对国家进行分组

这是一个完全矢量化版本的 kmedoids 聚类方法（http://en.wikipedia.org/wiki/K-medoids ）。 它通常比kmeans算法更健壮。 请尝试以下代码进行演示： 关闭所有; 清除; d = 2; k = 3； n = 500； [X,label] = kmeansRnd(d,k,n); y = kmedoids(X,k); plotClass(X,label); 数字; plotClass（X，y）; 输入数据假定为COLUMN向量！ 您只能可视化二维数据！ 此函数现在是 PRML 工具箱的一部分 ( http://www.mathworks.com/matlabcentral/fileexchange/55826-pattern-recognition-and-machine-learning-toolbox )

本资源包括 线性回归，Logistic回归和一般回归，K-means聚类分析，独立分析，线性判别分析，增强学习，还有混合高斯模型和EM算法的的学习笔记，往后还有更新。

D3.js中k均值聚类算法的可视化 ================================================== ========== k均值聚类是一种矢量量化方法，最初来自信号处理，在数据挖掘的聚类分析中很流行。 k均值聚类旨在将n个观察值划分为k个聚类，其中每个观察值均属于具有最均值的聚类，作为聚类的原型。 这导致将数据空间划分为Voronoi单元。 资料来源： 在查看实际的算法。 源代码布局 media\ media files kmeans.css CSS stylesheet index.html webpage demonstrating the algorithm kmeans.js JavaScript file with the source code for the algor

K-means聚类算法 简介 聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。 K均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。 算法 先随机选取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。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算

对银川市各地区水资源承载能力评估，基于投影寻踪模型和加速遗传算法的石羊河流域水资源承载力综合评价等资料介绍。

使用K均值的客户细分 使用K-Means聚类算法根据新近度，频率和货币价值（RFM）指标对客户进行细分