深度聚类，用于视觉特征的无监督学习 消息 我们发布了新的自我监督方法SwAV的和。 SwAV使用ResNet-50将自我监督学习与ImageNet上的监督学习仅相距1.2％！ 它结合了在线聚类和多作物数据增强功能。 我们还介绍了DeepCluster-v2，它是DeepCluster的改进版本（ResNet-50，更好的数据增强，余弦学习速率表，MLP投影头，质心的使用，...）。 查看。 深度集群 该代码实现了卷积神经网络或卷积网络的无监督训练，如论文所述。 此外，我们提供了本文中使用的评估协议代码： Pascal VOC分类 激活的线性分类 实例级图像检索 最后，该代码还包括可视化模块，该可视化模块允许以可视方式评估学习到的功能的质量。 要求 Python安装版本2.7 SciPy和scikit-learn软件包 一个PyTorch安装版本0.1.8（ ） CUDA 8.0

matlab实现的Kmeans聚类 比较简单

iris wine glass聚类分析数据集matlab直接调用

传统模糊??-均值(FCM) 算法要求一个样本对于各个聚类的隶属度之和满足归一化条件, 从而导致算法对噪声和孤立点敏感, 对非均衡分布样本的聚类有效性降低. 针对该问题, 提出一种改进模糊隶属函数约束的FCM聚类算法, 通过放松归一化条件, 推导出新的隶属度划分公式, 并在聚类过程中不断进行隶属度修正, 从而达到消除噪声样本、提高聚类有效性的目的. 最后通过实验结果对比验证了改进算法的正确性.

1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分解为较低维数空间 n_components： ·小数：表示保留百分之多少的信息 ·整数：减少到多少特

基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。基于ROS实现的的激光点云处理，对地面进行拟合分割，采用欧几里得聚类实现障碍物检测。

本程序采用C#实现了K均值聚类，批处理文件中的参数为需要批处理的文件名，文件中的每一行为一个文件，在实际使用中，可以更加需要修改

引用满意度指数的概念，根据实际满意度调查的数据，利用多元统计分析的方法，对2010届毕业生选择的第一份工作的满意度进行了实证分析，得出影响毕业生就业满意度的主要因子分别为“单位内部因子”、“个体发展因子”、“外显所得因子”，其中起主要影响的因素是“单位因子”，三者的影响程度依次递减，同时对2010届大学毕业生对工作的满意程度进行了预测.

该程序可以进行图像处理，利用肤色聚类，色彩空间的转换，将人脸从复杂的背景中分离出来，为人脸识别做前期的准备工作。

为解决PSO-FCM聚类算法针对多聚类问题，性能不足，容易陷入局部最优解，影响多聚类结果的准确度.提出一种基于PCA优化的PSO-FCM聚类算法，通过引入PCA分析方法，在粒子的各维度上设定不同的移动权重，降低粒子的敏感度，合理的控制粒子各维度上移动的速度，有效的降低粒子各维度上粒子无约束，位于多个聚类群交界处的粒子过分敏感，移动到错误的聚类的可能性增加.本文简要介绍了PSO-FCM算法的相关情况，详细介绍了本文的优化算法，最后通过实验证明，本文提出的优化算法在多个数据集上结果总体优于其他算法.