Cluster_2D_Visualization.m 是一个生成随机（均匀）分布数据点的脚本，运行 kMeans.m 和 MATLAB 的内置 kmeans 函数，测量和比较它们的性能（即计算时间），并可视化最终的集群和数据的分布直方图中聚类中的点。 kMeans.m 实现 k-means（无监督学习/聚类算法）。 技术细节： 初始质心是从所有数据点的集合中随机选择的（每个数据点最多一次）。 停止条件是不对任何集群进行任何更改。 clustering_app.mlapp 打开一个带有 GUI 的应用程序，您可以在其中随机生成数据点并将它们聚类。 您可以重新点击所有按钮以查看点生成和聚类算法中的随机性。 clustering_app.mlappinstall 在 MATLAB 编辑器中安装 MATLAB 应用程序。

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。

提出了一种基于分水岭变换和核聚类算法的图像分割算法.通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用 Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域.实验结果证明了该算法的可行性和有效性.

数据挖掘中的聚类算法研究.doc

数据挖掘中的聚类算法综述.doc

matlab中存档算法代码FRMVK Matlab实现的一种减少特征的多视图K均值聚类算法 数据集 图像分割（IS）数据集包含7个室外图像的2310个实例。 这七个室外图像是Brickface，Sky，Foliage，Cement，Window，Path和Grass。 每个图像由两个不同的视图表示：形状信息的9个特征和RGB颜色模型的10个特征。 来源 引用 在您的研究工作中使用该代码时，请引述Miin-Shen Yang和Kristina P. Sinaga的“一种减少特征的多视图k均值聚类算法” @article {yang2019功能， title = {一种减少特征的多视图k均值聚类算法}， author = {Yang，Miin-Shen and Sinaga，Kristina P}， journal = {IEEE Access}， 音量= {7}， pages = {114472--114486}， 年= {2019}， 发布者= {IEEE} } 致谢 这项工作在台湾科学技术部的MOST 107-2118-M-033-002-MY2资助下得到了支持

基于密度的聚类算法DBSCAN，matlab官方程序，欢迎下载。

 针对数据分析技术在电网工程数据测算分析领域的应用问题，文中分析了电网工程的技术特征，采用层次分析法（AHP）构建了电网工程的技术参数体系，并进一步提出了基于层次凝聚聚类（HAC）与多元回归分析（MRA）的电网工程数据分析方法。文中所提的方法是采用HAC方法对电网工程数据进行聚类，采用MRA方法对聚类后的数据进行分析，得到回归方程用于工程造价数据的测算，使得特性相近的数据划分为同组，避免特征差异较大的数据影响测算准确性。通过110 kV变电工程与架空线路输电工程的验算表明，所提方法的工程造价数据测算误差均在10%以内，能够准确地进行电网工程造价测算。

【doc】一种对BBS语料进行话题提取的聚类算法.doc

【word】 数据挖掘中聚类算法的比较研究.docx