【无人机布局优化】基于k-mean聚类的无人机布局优化matlab源码.md

诗歌在中国是一个极为重要且历史悠久的文学体裁。纵横千年的时间跨度、数量巨大的诗人群体、卷帙浩繁的诗歌文本都使得在传统的文本阅读方式下，中国诗歌的宏观把握变得极其不易。因此，随着计算机算力与计算模型的发展，越来越多的研究者将目光聚焦到了使用计算机对诗歌进行文本分析的研究领域，已有研究者对中国古诗进行了统计建模与宏观分析$^{[1]}$，但所用文本语料多为《全唐诗》《全宋词》等，以《诗经》为语料的文本分析研究，未之有也。因此需要有人在这个方面进行一些探索，本文便是一次尝试， 试图从另一个视角出发，更高效地处理《诗经》文本，并提供文本分析视角下对《诗经》的宏观刻画、描述与阐释。 本文从字频、词频、文本长度、文本方差、情感分析、提取主题词等各个维度，对《诗经》进行了以下文本分析: 首先从单字的角度，对诗经进行了字数、字频、各句长度方差等统计。 经过效果对比，选用北京大学的分词工具Pkuseg，对《诗经》进行分词处理。 在分词基础上统计词频且生成词云。 通过文本长度，文本方差来寻找风雅颂三部分之间的差异。 通过对《诗经》中篇目的情感分析，绘制出风雅颂各部分的情感变化曲线。 提取出文本中的主题词，并以此为基础构建出每篇作品的文本向量。 选定文本长度，文本方差，文本向量作为作品的三个特征，共同组成一个样本来表达一篇作品。 抽取样本，通过计算距离的方式对《诗经》中风雅颂三部分进行聚类，绘制出表达聚类效果的轮廓系数曲线。 以束皙的六首《补亡诗》与陶渊明的四首《时运》为例，计算二者作品与《诗经》的相似程度。

是python编写的k-means算法，可以进行西瓜书数据集的聚类，以及图片像素点的聚类

R语言实现K-mean聚类并画出聚类图(非调用package)

MATLAB实现K-均值聚类算法，可以自由调整点集和聚类中心个数。 程序中包含函数，如MATLAB版本较低请将文件中的函数另外新建文件保存。

k-means算法。它不仅是最简单的聚类算法，也是最普及且最常用的。k-means算法是一种基于形心的划分数据的方法。我们给定一个数据集DD，以及要划分的簇数kk，就能通过该算法将数据集划分为kk个簇。一般来说，每个数据项只能属于其中一个簇。具体方法可以这样描述： 假设数据集在一个mm维的欧式空间中，我们初始时，可随机选择kk个数据项作为这kk个簇的形心Ci,i∈{1,2,…k}Ci,i∈{1,2,…k}，每个簇心代表的其实是一个簇，也就是一组数据项构成的集合。然后对所有的nn个数据项，计算这些数据项与CiCi的距离（一般情况下，在欧式空间中，数据项之间的距离用欧式距离表示）。比如对于数据项Dj,j∈{1,…n}Dj,j∈{1,…n}，它与其中的一个簇心CiCi最近，则将DjDj归类为簇CiCi. 通过上面这一步，我们就初步将DD划分为kk个类了。现在重新计算这kk个类的形心。方法是计算类中所有数据项的各个维度的均值。这样，构成一个新的形心，并且更新这个类的形心。每个类都这样计算一次，更新形心。 对上一步计算得到的新的形心，重复进行第（1），（2）步的工作，直到各个类的形心不再变化为止。

压缩包里有三个matlab程序，分别是K-mean聚类、LVQ聚类和混合高斯聚类，数据为两类二维高斯分布的随机点。程序展示了三种聚类算法的基本使用方法。算法原理可以参考周志华《机器学习》的第九章聚类。