数字半色调是在二值设备或多色二值设备上实现图像再现的一门技术, 提出将K-means 聚类法应用在数字半色调技术中。算法中应用人类视觉系统模型HVS和印刷模型最大限度减少原始灰度连续调图像和半色调图像之间的视觉误差; 利用K-means聚类法将灰度图像划分成聚类分区, 在每个聚类分区应用最小平方法least-squares最小化二值半色调图像和原始灰度级图像之间的平方误差, 所构造的半色调算法与基于模型的最小平方法LSMB算法相比, 随着聚类分区的增加, 图像平滑且边缘清晰度增加, 尤其是在图像细节部位。与LSMB算法比较, 该算法的均方误差值有所降低, 而权重信噪比和峰值信噪比提高了0. 2～2 dB, 模拟实验结果验证了算法的有效性。

机器学习部分聚类 SVM PCA详细代码实例，并附有数据集。

基于matlab的表情识别代码数据挖掘 项目1 在本作业中，您将研究k最近邻，神经网络和SVM分类器在两个实际分类问题上的应用。 用于此分配的数据集已上传到“数据集”文件夹下。 x_train，y_train，x_test和y_test分别表示训练功能，训练标签，测试功能和测试标签。 在x_train和x_test中，每一行代表一个数据样本，每一列代表一个特征。 问题1 人类活动识别数据集是根据对30名志愿者进行的实验而创建的，以使用智能手机数据识别人类活动。 每个人都在腰部佩戴智能手机（三星Galaxy S II）进行六项活动（步行，步行，上楼，下坐，坐着，站立，躺着）。 使用其嵌入式加速度计和陀螺仪，可以以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 使用信号处理算法处理数据以提取维度561的特征向量。训练集包含7,352个样本，测试集包含2,947个样本。 在此数据集上实现k = 5的k最近邻算法。 使用简单的欧几里德距离度量来计算两个样本之间的距离。 在训练集上训练带有参数2的多项式内核的SVM分类器，并在测试集上进行测试。 您需要为每个课程训练一个SVM。 为了预测测试

完整代码，可直接运行

K-均值可见 K-Means聚类概念的可视化 演示： :

多维k-means聚类算法java简单实现，导入运行KmeansTest.java可看到结果 多维k-means聚类算法java简单实现，导入运行KmeansTest.java可看到结果

主要介绍了python 代码实现k-means聚类分析(不使用现成聚类库),本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

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。

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

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