k-means 算法接受输入量 k ；然后将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。 　　k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象 ，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算 每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用 均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

基于matlab的图像K均值聚类算法程序

#MPI和Map-Reduce在KMeans聚类算法上的应用 2 种不同 K-Means 实现在性能和开发工作方面的比较 - 基于 MapReduce 和 MPI。 ＃＃问题描述 参考Assignment3.pdf ＃＃报告 参考 A3-Report.pdf ##为 KMeans 运行 MPI 参考 Run-Kmeans-MPI.txt ##Run MapReduce for KMeans 参考 Run-Kmeans-Hadoop.txt

：对经典k 均值算法进行分析，证明如何在减少节点间通信代价的情况下，从局部聚类信息生成完备的全局聚类信息，使聚类质量 等价于相应串行算法，并具有较高的执行效率，在此基础上给出可信的基于消息传递接口的并行k 均值算法。实验结果表明，该算法是高 效的和可行的。

利用K均值聚类算法对灰度图像进行聚类，四维数组存储和运算数据，运行时间慢

使用python实现K均值聚类，并返回各个中心点到点集的距离之和，可用于调整分类个数、筛选最优的聚类。

模式识别系统聚类法之k均值算法，是无监督学习方法的一种，可以将模式分为k类，程序现在实现了将模式分为3类，供大家参考

自己写的模糊C均值聚类算法MATLAB实现

基于马氏距离的模糊c均值聚类算法（c++）

基于模糊C均值聚类算法的图像分割