这个一个C++的k均值源代码，与大家学习交流一下。可供学习用。

用Go语言编写的kmeans k均值聚类算法实现它做了什么k-means聚类将多维数据集划分为k个聚类，其中每个数据点均属于用m个最近的kmeans k-means聚类算法实现的聚类k-均值聚类的作用将多维数据集划分为k个聚类，其中每个数据点均以最接近的均值属于聚类，用作聚类的原型。 我什么时候应该使用它？ 当您拥有数字，多维数据集时，就没有数据标签了。您确切知道要将数据划分为Example导入的几个集群（“ github.com/muesli/kmeans”

使用聚类算法对连续状态空间进行自适应离散化,得到了基于K-均值聚类的强化学习方法.该方法的学习过程分为两部分:对连续状态空间进行自适应离散化的状态空间学习,使用K-均值聚类算法;寻找最优策略的策略学习,使用替代合适迹Sarsa学习算法.对连续状态的强化学习基准问题进行仿真实验,结果表明该方法能实现对连续状态空间的自适应离散化,并最终学习到最优策略.与基于CMAC 网络的强化学习方法进行比较,结果表明该方法具有节省存储空间和缩短计算时间的优点.

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取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。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小

基于K-means(K均值)聚类算法的图像特征分割研究.m

无监督学习中用于数据分类的算法，包括原始数据。

clear clc; %disp char "基于C 均值算法的特征点聚类" strcat datestr now ; S double imread "E: Matlab 1 jpg" ;%读取源图像 %S double imread "E: Matlab 001 jpeg" ;%读取源图像 [sr sc] find S 255 ;%sr sc存储源图像中待聚类点的坐标 len length sr ;%len存储源图像中待聚类点的个数 group zeros len 1 ;%group存储特征点与类相对应的情况">clear clc; %disp char "基于C 均值算法的特征点聚类" strcat datestr now ; S double imread "E: Matlab 1 jpg" ;%读取源图像 %S double imread "E: Matlab 001 jpeg" ;%读取源图像 [sr sc] find S 255 ;%sr sc存储源图像中待聚类点的坐标 len [更多]

基于模糊C均值的快速点云的聚类分析代码，可用于模糊聚类

IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） 入侵杂草优化算法是一种模拟自然界杂草殖民过程的一种新型智能优化方法，具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，目前，入侵杂草优化算法已被成功应用到许多领域。但该算法本身也存在着易陷入局部最优，后期寻优精度不高等缺陷，大大地限制了入侵杂草优化算法的应用范围。针对入侵杂草优化算法存在的寻优精度不高和早熟现象，提出了利用杂草算法的种群多样性进行全局搜索，同时用复合形的反射、延伸、压缩等运算产生一个新解替代当前种群中最差的个体来进行局部搜索，可有效地避免算法早熟现象，同时提高了算法的寻优精度，增加算法的收敛速度。 IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab）