基于模糊C均值优化的直觉模糊C均值,融合了区域特征,C++实现,附带论文,可以更好的学习。博客地址https://blog.csdn.net/qq_41828351/article/details/88402605
2021-09-30 15:40:37 11.62MB FC IFS_FC Kmeans
1
k均值约束 K-均值聚类实现,可以为每个聚类指定最小和/或最大大小。 通过将K-means实现公式化为最小成本流(MCF)线性网络优化问题,它可以修改集群分配步骤(EM中的E)。 然后,使用成本缩放推入重新标记算法解决此问题,并使用这是一种快速的C ++实现)。 该软件包的灵感来自 。 Bradley等人提出的原始最低成本流(MCF)网络。 已被修改,因此最大群集大小和最小群集大小也可以指定。 该代码基于并实现了相同的 。 参考: 安装 您可以从PyPI安装k-means-constrained: pip install k-means-constrained 在Python 3.6及更高版本中受支持。 例子 可以在API文档中找到更多详细信息。 >> > from k_means_constrained import KMeansConstrained >> > i
2021-09-29 15:46:50 10.65MB python clustering optimization ml
1
matlab实现模糊C均值聚类,附带包含600个2维数据的数据集,可视化展示结果。数据集有3类,分别分布在第一、二 三象限。
2021-09-29 14:45:59 14KB matlab FCM
1
摘  要: 使用Intel Parallel Amplifier高性能工具,针对模糊C均值聚类算法在多核平台的性能问题,找出串行程序的热点和并发性,提出并行化设计方案。基于Intel并行库TBB(线程构建模块)和OpenMP运行时库函数,对多核平台下的串行程序进行循环并行化和任务分配的并行化设计。   并行性主要是指同时性或并发性,并行处理是指对一种相对于串行处理的处理方式,它着重开发计算过程中存在的并发事件。并行性通常划分为作业级、任务级、例行程序或子程序级、循环和迭代级以及语句和指令级。作业级的层次高,并行处理粒度粗。粗粒度开并行性开发主要采用MIMD方式,而细粒度并行性开发则主要采用SI
1
clustering based on kernel kmeans
2021-09-26 10:09:48 924B kernel kmeans
1
对数值型数据分别进行K均值和模糊C均值聚类,并对两种聚类算法的聚类正确率进行比较,得出结论;
2021-09-24 18:47:53 4.81MB K均值 模糊C均值 聚类 正确率
1
Fuzzy C Means - Multi clustering and find center of clusters with Python模糊C均值聚类的python实现,用于实现图像分割
2021-09-24 18:27:06 2KB 图像分割
1
FCM算法两种迭代形式的MATLAB代码,供数据挖掘、模式识别或图像处理等方面参考
2021-09-22 20:07:53 6KB FCM
1
SpotifyAnalysis:分析了Kaggle上的Spotify数据集,以预测歌曲和流派特征以及理想的发行月份,以使用逻辑回归,K-均值聚类和分类树在Spotify上最大限度地提高歌曲的知名度
2021-09-20 13:34:05 1.89MB
1