K-means聚类算法 简介 聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。 K均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。 算法 先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算

Axure 9.0高级教程：最新最全的函数使用手册

详细介绍R语言函数的作用以及使用方法。比如 header:逻辑参数。指定是否文件第一行为变量名。 na.strings:指定缺失文字。 skip:指定读数据跳过的行数。 nrows:指定数据读入最大的行数。 dec：指定小数点记号。

使用filter函数，实现一个条件判断函数即可。 比如想过滤掉字符串数组中某个敏感词，示范代码如下： #filter out some unwanted tags def passed(item): try: return item != "techbrood" #can be more a complicated condition here except ValueError: return False org_words = [["this","is"],["demo","from"],["techbrood"]] words = [filter(passed, item) for

MATLAB-Cell函数使用技巧.docx

该函数基于 Held 和 Karp 于 1962 年的论文。DP 保证向 TSP 提供准确（最佳）结果，但该算法的时间复杂度为 O(2^nn^2)，这限制了使用这个算法到 15 个城市或更少。 注意：为了合理的运行时间，请不要尝试计算超过 13 个城市的游览。 DP 不适用于大型城市。

此功能能够检测 LPP 中存在的几乎所有类型的属性/特征，例如无界解、替代最优、退化/循环和不可行性。 只有当问题中存在冗余约束时，它才无法工作。 但是，这种情况很少见，用户只需检查/确保 rank(a) 不应小于约束的数量即可轻松避免。 由于求大矩阵的秩复杂度很高，这里没有给出这个检查，希望用户能照顾到这种情况。 在这种情况下，通常很容易看出一些约束是线性相关的，因此可以消除。 其余案例显示出良好的结果。 修正单纯形法和LPP理论人们可能会看到“应用程序的数值优化，Chandra S.，Jayadeva，Mehra A.，Alpha Science Internatinal Ltd，2009。”

offset()函数使用方法，这里有几个例子，可以看一下就非常明白这个用法了

参加数学建模的同学一定要参考这本matlab函数使用手册，非常实用

vc中Activex阅读PDF控件的函数详细说明！自己根据英文翻译的，希望对大家有用！如有不对的地方，请大家指正！