周围计算matlab代码DLORE-DP Dense Members of Local Cores-based Density Peaks Clustering Algorithm DLORE_DP.m 的 matlab 代码和合成数据集包括 DLORE-DP 算法（手稿的算法 4），CoreSearch_supk.m 包括算法 2 和算法 3。使用 DP.m集群本地核心。 drawcluster2 用于绘制聚类结果。 SNNDPC2.m 包含我们在实验中比较的 SNN-DPC 算法。 合成数据集 pacake 包括我们在实验中使用的合成数据集

为了利用信息系统对象在数据空间中分布，通过对对象的模糊聚类，计算每一类在坐标轴上的统计值。利用正态概率分布特性，引入重叠度和空隙度选取合适的概率，确定最优的区间端点，实现连续属性离散化。

K-Means动态聚类算法源程序，K-means算法进行了重点分析，K-means算法是最为经典的根据聚类中的均值进行聚类划分的聚类算法

Data-Mining-Project-2014- 这个存储库包含我的学术课程“数据挖掘”项目的文件。 该项目涉及使用 K-Means 聚类算法进行聚类。 该项目的主要目的是了解聚类并应用 K-Means 聚类算法对数据进行聚类。 数据包括主要赛事的各种网球比赛的结果。 首先，我们应用特征减少来减少数据的字段，然后应用 K-Means 算法。 程序运行的先决条件是： Hadoop 2.3.0 所有节点上的多节点集群设置 程序运行并相应地将数据集划分为 3 个集群：- 低获胜机会 中奖机会 高获胜机会

模糊C均值聚类算法可有效的解决遥感信息的不确定性和混合像元的划分。文中基于matlab平台、采用模糊C均值聚类对遥感影像进行分类,并运用混淆矩阵对分类结果进行了精度评定。实验结果表明,基于模糊C均值聚类使得分类后的图像很好地区分了地物类别,取得了较好效果。

针对私人微博内容进行聚类研究，结合私人微博的内容和结构特点提出了基于K-means的改进聚类算法。通过添加引用和评论内容丰富了文本内容，降低了短文本矩阵向量严重稀疏性带来的聚类算法准确性降低的影响；通过甄别“微话题”内容和改进相似度的计算，找到初始化类别并进行初步计算得到合适的类别数目和初始中心点，解决了K-means算法中聚类数目K需人工指定和初始中心点选取随机性的问题。实验结果表明，改进后的算法不仅可以自适应地得到K值，较普通的K-means算法在聚类的准确率上有所提高。

'example.m' 脚本显示了如何使用该算法。 文件“sunwrap.m”包含实际的算法。 该代码可在此处获得： GitHub: https://github.com/fmaier/MRM-2014-PhaseUnwrapping MATLAB 中心： https : //www.mathworks.com/matlabcentral/fileexchange/46664 如果您使用此算法，请引用以下出版物： Florian Maier、David Fuentes、Jeffrey S. Weinberg、John D. Hazle 和 R. Jason Stafford 使用幅度排序列表、多聚类算法的 MR 温度成像的稳健相位展开医学中的磁共振，73（4）：1662-1668，2015 年。 DOI：10.1002/mrm.25279 http://onlinelibra

DBSCAN数据集

本论文是Clique聚类算法的经典论文，详细介绍了算法的基本原理，算法步骤，相关算法等，是进行Clique算法研究的很好的参考资料

与一维传递函数相比，多维传递函数可以对体积对象进行更复杂的分类。但 是，当传递函数空间的维数超过 3-D 时，将其可视化和操作是不直观的，这使得 用户交互变得困难。所以针对多维传递函数的设计问题，提出了一种二维聚类方 法。一阶自组织图聚类（SOM）将高维特征数据投影到二维拓扑保留图中。二 阶聚类降低了 SOM 神经元的设计自由度。从大量的 SOM 神经元到可管理的簇。 在提供信息的 SOM 网络的指导下，用户通过选择集群以交互方式发现体素中有 趣的结构，在必要时可视化和修改集群结果。我们的界面跟踪发现的每一个有趣 的结构，这不仅允许用户仔细检查单个结构，还允许他们通过合并被认为重要的 结构来形成最终的可视化效果。 最后用 QT 实现了一个可视化软件，导入体数据，体数据对应的类，对应类 的颜色表和 SOM 拓扑图对应的类这些文件，就可以通过光线投射算法来可视化 对应的三维体数据，因为我们采取了多维传递函数，所以效果比直接光线投射算 法更加好，能分出更加复杂的类，这个可视化软件能应用于海洋学、生物、医学 等学科，比如医学医生可以选取自己感兴趣的类并重点观察自己感兴趣的类。