何凯明2013年再cvpr中发表的文章K-means Hashing: an Affinity-Preserving Quantization Method for Learning Binary Compact Codes 源代码

用matlab开发的k-means聚类算法，每类用不同颜色绘制

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

根据网上基于划分法k-means的聚类算法，我做了改进。可以预设一个最大的类数和一个半径，自动划分合适的类。最终将随机三维点云聚类完成后显示为不同颜色。

根据网上基于划分法k-means的聚类算法，我做了改进。可以预设一个最大的类数和一个半径，自动划分合适的类。最终将随机三维点云聚类完成后显示为不同颜色。

均值聚类算法可以做聚类分析、以及基于成像的波形提取

电影作为典型的短周期、体验型产品，其票房收益受众多因素的共同影响，因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络（BPNN）的票房预测模型对目前的票房预测模型存在的不足进行改进，从而提高票房预测的精度：（1）构建基于随机森林的影响因素影响力测量模型，并以此为依据对票房影响因素进行筛选，以此来简化后续预测模型的输入；（2）考虑到不同影响因素对票房的影响力不同的现实情况，为了解决以往研究中对影响因素权重平均分配的问题，本文构建了基于加权K-均值和局部BP神经网络的票房预测模型，以因素影响力为依据对样本数据进行加权的K-均值聚类，并基于子样本构建局部BP神经网络模型进行票房预测.实验证明，本文所构建的模型平均绝对百分比误差（MAPE）为8.49%，低于对比实验的10.39%，可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.

学习图像降噪、bilateral filtering、nonlocal means filtering、小波降噪、DCT降噪。 报告要求：对给出的图像进行上述处理，附上代码并且对处理结果给出展示。 为程序

介绍无监督学习与聚类算法，分别介绍了基于原型的技术的K-Means和基于密度的聚类算法的DBSCAN，分别讲明了他们的原理并在sklearn库使用python进行演示，介绍了一些重要参数并加以说明。

改进kmeans算法matlab代码 通过K均值聚类对矢量进行量化： 整个代码库，图像和说明可在此存储库中找到。 加载图像： 1.1在本项目中，我们使用了NCSU工程大楼校园的图像，如下所示： 该图像已加载以下MATLAB代码（未读取）： ％1。加载图像（EB的视图）：I = imread（'ncsu.jpg'）; 图（1），imshow（I）; title（'原始输入RGB图像'）; 1.2然后，使用下面的MATLAB代码（rgb2gray）将输入的RGB图像转换为灰度图像： 从RGB转换为灰度图像：rgbI = rgb2gray（I）; Figure（2），imshow（rgbI）; title（'灰色图像'）; 1.3现在，为了简化数学，我们将图像调整为适当的尺寸，其中我们选择min {M，N}为2的幂，并且max {M，N}为2的幂的倍数。 在我们的例子中，我们取M = 512和N = 2X512。 我们正在使用以下MATLAB代码调整rgb图像的大小： ％处理图像以获取正确的尺寸％获取灰色图像的尺寸：[M，N] = size（rgbI）; ％将图像重塑为尺寸M = 512，N