手機上的監視程式, 可以監督SMS, MMS, 以及電話和Mail
標簽： Mail SMS MMS 程式
上傳時間： 2016-09-17
上傳用戶：wang0123456789
k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 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。 Matlab 源代碼，以蘭花數據集作為測試對象。
標簽： 聚類 k-means 對象 算法
上傳時間： 2014-01-21
上傳用戶：2525775
這是一個將n個樣本聚類到m個類別中 將n個樣本在m個類里如何分配輸出的遺傳算法代碼。 適應度：sum(i=1_110)sum(j=1_20)【xi-vj】~2
標簽： sum xi-vj 110 樣本
上傳時間： 2014-08-09
上傳用戶：wkchong
k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 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開始收斂為止。
標簽： k-means 對象 算法 工作過程
上傳時間： 2013-12-27
上傳用戶：wpwpwlxwlx
實現聚類K均值算法： K均值算法：給定類的個數K，將n個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小。 缺點：產生類的大小相差不會很大，對于臟數據很敏感。 改進的算法：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）。 以下是循環的： 2，將余下的對象分到各個類中去（根據與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，下面就再轉到2。 4，這樣循環直到K個medoids固定下來。 這種算法對于臟數據和異常數據不敏感，但計算量顯然要比K均值要大，一般只適合小數據量。
標簽： K均值算法 聚類
上傳時間： 2015-04-03
上傳用戶：sardinescn
最近去看監視器材,看到他們的監視軟體 就突發奇想自己來寫一個看看 程式會把移動中的物體用綠色框框起來 並且把當時的影像存成jpg檔(我把這個功能註解起來了) 我這個程式是在UltraEdit(類似記事本)下寫成的 程式裡用到JMF套件 主程式是webcamCapture.java
標簽： Ultr jpg 程式 器材
上傳時間： 2015-05-22
上傳用戶：zaizaibang
實現聚類K均值算法： K均值算法：給定類的個數K，將n個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小。
上傳時間： 2014-12-21
上傳用戶：zhouli
K-MEANS算法 輸入：聚類個數k，以及包含 n個數據對象的數據庫。 輸出：滿足方差最小標準的k個聚類。 處理流程： （1） 從 n個數據對象任意選擇 k 個對象作為初始聚類中心； （2） 循環（3）到（4）直到每個聚類不再發生變化為止 （3） 根據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）
標簽： K-MEANS 算法 輸入 聚類
上傳時間： 2013-12-20
上傳用戶：chenjjer
c語言的k均值聚類算法。給定類的個數K，將N個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小的算法。
標簽： c語言 均值聚類 算法
上傳時間： 2014-01-20
上傳用戶：woshiayin
K-Means算法是最古老也是應用最廣泛的聚類算法，它使用質心定義原型，質心是一組點的均值，通常該算法用于n維連續空間中的對象。 K-Means算法流程 step1：選擇K個點作為初始質心 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 例如下圖的樣本集，初始選擇是三個質心比較集中，但是迭代3次之后，質心趨于穩定，并將樣本集分為3部分 我們對每一個步驟都進行分析 step1：選擇K個點作為初始質心 這一步首先要知道K的值，也就是說K是手動設置的，而不是像EM算法那樣自動聚類成n個簇 其次，如何選擇初始質心 最簡單的方式無異于，隨機選取質心了，然后多次運行，取效果最好的那個結果。這個方法，簡單但不見得有效，有很大的可能是得到局部最優。 另一種復雜的方式是，隨機選取一個質心，然后計算離這個質心最遠的樣本點，對于每個后繼質心都選取已經選取過的質心的最遠點。使用這種方式，可以確保質心是隨機的，并且是散開的。 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 如何定義最近的概念，對于歐式空間中的點，可以使用歐式空間，對于文檔可以用余弦相似性等等。對于給定的數據，可能適應與多種合適的鄰近性度量。
標簽： K-means Java 數據挖掘 聚類 算法
上傳時間： 2018-11-27
上傳用戶：1159474180
蟲蟲下載站版權所有 京ICP備2021023401號-1
<noscript id="qsusu"></noscript>
