智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

一种模糊聚类算法MATLAB，能够将矩阵的元素按照一种聚类的方式重新排列

周围计算matlab代码DLORE-DP Dense Members of Local Cores-based Density Peaks Clustering Algorithm DLORE_DP.m 的 matlab 代码和合成数据集包括 DLORE-DP 算法（手稿的算法 4），CoreSearch_supk.m 包括算法 2 和算法 3。使用 DP.m集群本地核心。 drawcluster2 用于绘制聚类结果。 SNNDPC2.m 包含我们在实验中比较的 SNN-DPC 算法。 合成数据集 pacake 包括我们在实验中使用的合成数据集

K-Means动态聚类算法源程序，K-means算法进行了重点分析，K-means算法是最为经典的根据聚类中的均值进行聚类划分的聚类算法

Data-Mining-Project-2014- 这个存储库包含我的学术课程“数据挖掘”项目的文件。 该项目涉及使用 K-Means 聚类算法进行聚类。 该项目的主要目的是了解聚类并应用 K-Means 聚类算法对数据进行聚类。 数据包括主要赛事的各种网球比赛的结果。 首先，我们应用特征减少来减少数据的字段，然后应用 K-Means 算法。 程序运行的先决条件是： Hadoop 2.3.0 所有节点上的多节点集群设置 程序运行并相应地将数据集划分为 3 个集群：- 低获胜机会 中奖机会 高获胜机会

针对私人微博内容进行聚类研究，结合私人微博的内容和结构特点提出了基于K-means的改进聚类算法。通过添加引用和评论内容丰富了文本内容，降低了短文本矩阵向量严重稀疏性带来的聚类算法准确性降低的影响；通过甄别“微话题”内容和改进相似度的计算，找到初始化类别并进行初步计算得到合适的类别数目和初始中心点，解决了K-means算法中聚类数目K需人工指定和初始中心点选取随机性的问题。实验结果表明，改进后的算法不仅可以自适应地得到K值，较普通的K-means算法在聚类的准确率上有所提高。

本论文是Clique聚类算法的经典论文，详细介绍了算法的基本原理，算法步骤，相关算法等，是进行Clique算法研究的很好的参考资料

针对模糊C均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。

K—means算法是一种重要的聚类算法，在网络信息处理领域有着广泛的应用．由于该终止于一个局部最优状态，所以初始类中心点的选择会在很大程度上影响其聚类效果。这里提出了一种K—means算法的改进算法，首先探测数据集中的相对密集区域，再利用这些密集区域生成初始类中心点．该方法能够很好地排除类边缘点和噪声点的影响，并且能够适应数据集中各个实际类别密度分布不平衡的情况，最终获得较好的聚类效果．

通过对几种典型聚类算法的分析和比较，提出了一种新的聚类算法，基于扩展约束的半监督谱聚类算法，简称CE-SSC。这种算法扩展了已知约束集，通过密度敏感距离改变样本点的相似关系，结合半监督谱聚类进行聚类。在UCI基准集上的仿真实验结果证明，基于扩展约束的半监督谱聚类算法具有良好的聚类效应。