混合自动编码器模型 这是D.Zhang的本文混合自动编码器中描述的模型的实现。 用法 python3 src/main.py --input-train tests/clusters_norm_10_train.mat --training-steps 100 --classifier-topology 64 32 16 --num-clusters 3 --autoencoder-topology 64 32 16 8 --input-dim 8 --input-predict tests/clusters_norm_10_test_1.mat --output results.mat --autoencoders-activation tanh tanh tanh tanh usage: Mixture Autoencoder model [-h] [--input-train IN

基于无监督聚类的入侵检测方法

机器学习实战项目——无监督聚类&PCA tSNE降维.zip

针对托攻击提出一种半监督托检测模型，对标记用户分类计算簇中心，给出中心用户相似度特征属性。对不同攻击选择合适的特征指标，把输入用户划分到不同的簇集中，通过簇集中输入用户全部评分项为最大值的均值与标记用户对该项均值差，确定攻击项。依据特征指标对不同簇集进行两次分类，进而确定攻击对象。实验证明，该检测算法对不同的托攻击有较高的检测准确率。

文献节选翻译。文献原名：Constrained K-means Clustering with Background Knowledge

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

演示代码（请参阅jupyter笔记本）： 使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分 您可以从这里获取论文： 连结1： 连结2： 您可以从此处获取训练数据集： 参考： Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019). Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders, IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.

基于维数约简的无监督聚类算法研究.docx

##OPTICS CLUSTERING## 此 MATLAB 函数根据 Ankerst、Mihael 等人的图 19 中介绍的算法计算一组集群。 “光学：排序点来识别聚类结构。” ACM Sigmod 记录。 卷。 28. 第 2 号。ACM，1999 年。 剑桥大学Alex Kendall 撰写， 2015 年 2 月 18 日 该软件在 GPLv3 下获得许可，请参阅包含的 glpv3.txt。 输入： 点 - 要聚类的输入点，其中每个点是单独的行，列是数据维度 minpts - 形成集群所需的最少点数 epsilon - 创建集群的百分比阈值 输出： SetOfClusters - 包含每个集群的开始和结束索引的结构 RD - 每个点的可达距离 CD - 每个点的核心距离 order - 可达图中点的顺序 依赖关系：这个函数需要来自 Michal Daszykowski 的

博客中的人脸聚类源码，安装完相应python库后可运行，请新建dataset用于存放原始图片 encode_file用于存放人脸特征文件