K均值和ISODATA分類兩種算法，根據(jù)給定樣本、聚類中心進行分類！
上傳時間： 2014-11-17
上傳用戶：lili123
聚類分析技術(shù)已經(jīng)廣泛應用于基于內(nèi)容的圖象信息挖掘領(lǐng)域，該技術(shù)提高了圖象檢索的速度和質(zhì)量。K-均值算法和自適應算法是兩個典型的聚類分析算法
上傳時間： 2013-12-27
上傳用戶：agent
K-MEANS算法 輸入：聚類個數(shù)k，以及包含 n個數(shù)據(jù)對象的數(shù)據(jù)庫。 輸出：滿足方差最小標準的k個聚類。 處理流程： （1） 從 n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心； （2） 循環(huán)（3）到（4）直到每個聚類不再發(fā)生變化為止 （3） 根據(jù)每個聚類對象的均值（中心對象），計算每個對象與這些中心對象的距離；并根據(jù)最小距離重新對相應對象進行劃分； （4） 重新計算每個（有變化）聚類的均值（中心對象）
上傳時間： 2013-12-20
上傳用戶：chenjjer
利用java寫的快速模糊C均值算法，用與圖像分割，聚類等領(lǐng)域。
上傳時間： 2014-01-02
上傳用戶：ukuk
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2016-07-31
上傳用戶：youlongjian0
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數(shù)開始收斂為止。一般都采用均方差作為標準測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2013-12-19
上傳用戶：chenlong
聚類算法：k—medoids 方法。這兒選取一個對象叫做mediod來代替上面的中心 的作用，這樣的一個medoid就標識了這個類。步驟： 1，任意選取K個對象作為medoids（O1,O2,…Oi…Ok）。 以下是循環(huán)的： 2，將余下的對象分到各個類中去（根據(jù)與medoid最相近的原則）； 3，對于每個類（Oi）中，順序選取一個Or，計算用Or代替Oi后的消耗—E（Or）。選擇E最小的那個Or來代替Oi。這樣K個medoids就改變了，下面就再轉(zhuǎn)到2。 4，這樣循環(huán)直到K個medoids固定下來。 這種算法對于臟數(shù)據(jù)和異常數(shù)據(jù)不敏感，但計算量顯然要比K均值要大，一般只適合小數(shù)據(jù)量。 這里是MAtlab源代碼。
上傳時間： 2013-12-26
上傳用戶：txfyddz
FCM算法是一種基于劃分的聚類算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。模糊C均值算法是普通C均值算法的改進，普通C均值算法對于數(shù)據(jù)的劃分是硬性的，而FCM則是一種柔性的模糊劃分。在介紹FCM具體算法之前我們先介紹一些模糊集合的基本知識。
上傳時間： 2014-11-28
上傳用戶：lgnf
文中設(shè)計了一個3層徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)用于對企業(yè)的5項評價指標進行聚類分析，并與蟻群算法做了比較分析。RBFN由輸入層 到隱含層采用傳統(tǒng)的K一均值算法，隱含層到輸出層通過“模2遞減”學習速率的BP學習；蟻群算法根據(jù)信息素的分配能夠自動調(diào)整收索 路徑，從而達到數(shù)據(jù)自動聚類的目的。結(jié)果表明，與蟻群算法相比，改進RBFN具有快速收斂、自動識別奇異樣本的優(yōu)點，而蟻群算法 無須教師學習，并能夠達到全局最優(yōu)。
標簽： RBFN 徑向 神經(jīng)網(wǎng)絡(luò) 評價指標
上傳時間： 2013-12-15
上傳用戶：txfyddz
FCM算法是一種基于劃分的聚類算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。模糊C均值算法是普通C均值算法的改進，普通C均值算法對于數(shù)據(jù)的劃分是硬性的，而FCM則是一種柔性的模糊劃分。在介紹FCM具體算法之前我們先介紹一些模糊集合的基本知識。
上傳時間： 2013-12-11
上傳用戶：hphh
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
