机器类型通信（MTC）设备可提供广泛的数据收集，尤其是在海量数据生成的环境（例如城市，工业和事件启用区域）上。 在密集部署中，MTC设备之间最近的位置收集的数据在空间上相关。 在本文中，我们提出了一种k-均值分组技术，以基于空间相关性组合所有MTC设备。 MTC设备在基于事件的区域上收集数据，然后传输到集中式聚合器以进行处理和计算。 由于集中聚合器上计算资源的限制，一些分组的MTC设备数据被卸载到与移动边缘计算服务器并置的附近基站。 作为在MTC设备上采用的传感能力，我们使用幂指数函数模型来计算MTC设备之间存在的相关系数。 在此框架的基础上，我们将所有数据在集中式聚合器上本地处理或在移动边缘计算服务器上卸载时的能耗与通过蛮力方法获得的最佳解决方案进行比较。 然后，仿真结果表明，所提出的k均值分组技术在满足所需完成时间的同时降低了集中式聚合器的能耗。

功能1. kMeans.predict(Xnew) 描述1. 返回一个或多个测试实例的估计集群。 例子 X = [[1, 2]; [1，4]; [1, 0];[10, 2]; [10, 4]; [10, 0]]; Xnew = [[0, 0]; [12，3]]; k = 2; mdl = kMeans(k); mdl = mdl.fit（X）; Ypred = mdl.predict(Xnew) Ypred = 1 2 质心 = mdl.C 1 2 10 2 请参阅脚本文件中的示例。

Fuzzy-C-means Python代码，以鸢尾花数据为例。

K-means指纹定位可减少定位算法的计算量，提高定位的实时性已成为当前定位算法的一个研究热点。然而其聚类的随机性却给定位带来极大的不稳定性，对此提出使用两步聚类算法进行优化，根据AIC准则自动得到最优的聚类个数；针对最邻近算法定位误差大的情况，使用相关系数法确定相似度最高的子库，再估计最终位置。实验结果表明，优化后的算法不但改善了定位精度，也极大提高了定位的实时性与稳定性。

k-means聚类算法及matlab代码稀疏的KMeans KMeans使用预处理和稀疏化实现大数据，Matlab实施。 使用（也称为“ K均值”或“ K均值”），但以特殊方式稀疏数据，以显着（且可调）节省计算时间和内存。 该代码提供kmeans_sparsified ，其用法与Matlab统计工具箱中的kmeans函数非常相似。 有三个好处： 基本实现比“统计信息”工具箱版本快得多。 我们还提供了一些工具箱版本所缺少的现代选项。 例如，我们实现了初始化。 （更新：自2015年以来，Matlab改进了例程和初始化的速度，现在它们的版本与我们的版本相当）。 我们有一个新的变体，称为稀疏KMeans，它可以对数据进行预处理和采样，而该版本可以快数千倍，并且是为无法处理的大数据集设计的 该代码还允许使用大数据选项。 无需传递数据矩阵，而是给它提供.mat文件的位置，并且代码会将数据分成多个块。 当数据为10 TB并且您的计算机只有6 GB的RAM时，这很有用。 数据以较小的块（例如，小于6 GB）加载，然后进行预处理，采样并从RAM中丢弃，然后处理下一个数据块。 整个算法仅遍历数据集。 /注

现有的聚类算法在提取用于聚类时间序列数据的平滑子空间方面很弱。 在本文中，我们提出了一种新的k均值类型平滑子空间聚类算法，称为时间序列k均值（TSkmeans），用于对时间序列数据进行聚类。 提出的TSkmeans算法可以有效地利用时间序列数据集的固有子空间信息来增强聚类性能。 更具体地说，平滑子空间由加权时间戳表示，加权时间戳指示这些时间戳对于聚类对象的相对判别力。 我们工作的主要贡献包括设计一个新的目标函数，以指导时间序列数据的聚类，以及开发新颖的更新规则，以针对平滑子空间进行迭代聚类搜索。 基于综合数据集和五个实际数据集，我们的实验结果证实，在诸如Accuracy，Fscore，RandIndex，和正常的共同信息。

K-means算法简介及代码过程

k-means matlab程序最强合辑集合本网大部分！

基于余弦定理和K-means的植物叶片识别方法

noma_dl_sim noma_dl_sim用于集群和配对算法。