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

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

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。

均值聚类算法可以做聚类分析、以及基于成像的波形提取

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

clustering based on kernel kmeans

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；

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

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

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