1 K-Means聚类
K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。
下面是K-Means聚类算法的分析流程，步骤如下：
第一步，确定K值，即将数据集聚集成K个类簇或小组。
第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。
第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。
第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。
2022-05-12 11:59:41
156KB
1
TF-IDF-K-
包括源代码和一些语料库，重置词库，爬虫代码，通过词频分析关键词说明幻灯片等等供大数据实验班同学下载
2022-05-11 18:59:08
8.38MB
1
在 AODV 路由中，路由发现是通过泛洪方法完成的，即向发送者传输范围内的所有节点广播路由请求 (RREQ) 包。它通常会导致不必要的 RREQ 数据包重传和响应生成的回复 (RREP) 数据包，从而导致数据包冲突和网络拥塞。在这个项目中，我为 AODV 提出了一种优化的路由发现方法。关键思想是使用 K-Means 聚类算法来选择 RREQ 数据包转发器的最佳集群，而不是广播。该方法的目的是减少网络中不必要的控制包传输，从而减少网络的拥塞和端到端延迟。
K-Means 聚类中使用的特征：
到目的地的距离
传输错误数
空闲缓冲空间
根据邻居的这些特征选择最佳集群。
2022-05-11 09:04:26
187KB
MATLAB实现数据fcm代码模糊
C
均值
模糊
C
均值
(FCM)
是一种无监督的数据集聚类方法，其方式是一个数据点可能属于多个具有不同隶属度的集群。
该算法基于模糊集，是
K-Means
聚类的扩展。
FCM
的一个简单实现已经在
MATLAB
中进行了编码。
2022-05-09 19:55:45
2KB
1
针对心电图自动诊断困难这一问题，提出了一种新的聚类算法：基于均方差属性加权的遗传模拟退火K-means改进聚类算法，用于改进心电图（ECG）信号的自动识别技术。利用小波变换的多分辨率和抗干扰能力好的特点，检测QRS波、P波、T波，提高了特征检测的准确性；利用聚类分析具有较好的鲁棒性和适合于大数据量分析的特点，对心电信号进行波形分类。采用MIT-BIH标准心电数据库中的部分数据对识别结果进行判断，改进后的K-means聚类算法的准确率高于传统的K-means聚类算法，实验表明该算法对心电信号可以进行有效分类。
2022-05-08 15:47:58
876KB
1
对聚类算法K-means的研究与改进，郑立杰，刘刚，针对传统的K-means算法中聚类的质量受聚类数目的选取和初始聚类中心的确定的影响很大的问题，我们提出了以文档密度为参数，将文档��
2022-05-08 12:57:41
367KB
1
首先导入数据集
#导入本地图片集
import os
import cv2
array_of_img = [] #用于储存图像
#此函数用于读取图片，参数为本地路径名
def read_directory(directory_name):
#循环读取这个路径中的每个图像
for filename in os.listdir(directory_name):
#print(filename)
#img用于储存图像数据
img = cv2.imread(directory_name + "/" + filename)#根据文件夹名称与文件名进行图像的读取
2022-05-04 14:37:13
44KB
1
python3代码，根据图像颜色特征进行据类。
第一步：得到图片的RGB模型矩阵
第二步：将RGB模型转化为HSV模型
第三步：将HSV转化为n维的特征向量
第四步：调用K-means对特征矩阵进行聚类
2022-05-03 16:53:37
3KB
1