“共享经济”的概念迅速普及，共享汽车也随之悄然进入了人们的视野。这些共享汽车平台也像共享单车的发展模式，率先在北京、上海、广州等大型城市布局，虽然各家平台投放车辆以及网点的数量有多有少，但均已在市场上引起一定反响。共享汽车的出现为人们的生活带来方便快捷，但新事物的诞生还是需要和社会实际情况不断的磨合相适应。研究共享汽车的位置分布及调度模型是十分重要的。 针对该城市的共享汽车使用分布情况，利用附件中已知的时间，经纬度这些位置和停车点信息数据得到共享汽车的位置分布信息（图5），用K均值聚类的方法对位置进行聚类，建立了共享汽车的位置信息分布聚类模型，得到共享汽车的停车点进而得到在7聚类中心和20聚类中心下共享汽车的分布情况（图6，图7）。 针对共享汽车使用情况的预测，以输入为车辆的经纬度信息和车辆数，输出为共享汽车的使用情况，采用Bp神经网络对共享汽车的使用情况预测，建立了一个三输入的BP神经网络共享汽车使用预测模型，得到了共享汽车的经纬度信息以及对应的车辆数目预测（部分数据见表5）。 针对共享汽车的调度方案，以BP神经网络共享汽车使用预测模型和实际信息为基础，采用可变惯性权重的粒子群算法，

NTSYS是一个聚类分析的软件，可以用来分析RFLP，RAPD等电泳带型，也可用于微生物群落多样性的相似性分析

随着信息网络技术的飞速发展，如何对规模庞大的网络数据准确高效聚类并合理应用显得尤为重要。虽然模糊C均值聚类算法（FCM）已具有良好的聚类效果，但其对初始化敏感，在处理高维大规模网络数据时易陷入局部极值问题还未被完全克服。为了解决这两个问题，提出一种分布熵和平均位距改进的自适应蝙蝠算法，利用该算法对模糊C均值的参数进行优化。在此之上，将自适应蝙蝠算法优化的模糊聚类应用于异常检测领域，提出了一种自适应蝙蝠算法优化的模糊聚类异常检测算法。理论分析和仿真实验表明，与前沿的粒子群优化FCM异常检测算法和FCM异常检测算法相比，该算法具有更好的聚类效果和检测性能。

Kmeans聚类算法matlab源代码，可用于图像分割等数字图像处理领域。

库加 使用遗传算法例程对未知恶意软件进行聚类 COUGAR是一个系统，能够减少高维恶意软件行为数据，并借助多目标遗传算法来优化该数据的聚类，以标记未知恶意软件。 此与以下论文相关： 和 。 2020年。COUGAR：使用遗传算法例程对未知恶意软件进行聚类。 在2020年7月8日至12日在墨西哥坎昆举行的遗传与进化计算会议（ ）上。 ACM，美国纽约，纽约，共9页。 建立 设置virtualenv： # This may require you to install the python3-venv package # You can do so on a Debian-based s

本文采用因子分析，聚类分析，判别分析等方法对半导体行业进行多元统计分析，并从企业财务指标对企业绩效进行评估。 KMO检验和Bartlett检验表明，半导体行业的财务数据非常适合因子分析。 通过因子分析和聚类分析，最终将71家半导体公司按照偿付能力，盈利能力，运营能力和成长能力分为四类，为投资者提供参考。

k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

RBF-k均值聚类算法的matlab程序和样本数据，可用于RBF-k均值聚类算法的仿真。

基于模糊聚类对数字图形识别，谭军，，随着社会的不断发展，图形图像识别在现实生活中众多领域中参用的越来越广泛，在图形图像识别中最重要的环节就是对图形图像识别的

可疑制作matlab代码回归-计算-智能 此作业的目的是研究TSK （Takagi-Sugeno-Tang）模型拟合多变量非线性函数的能力。 特别是，使用来自 和 模糊神经模型的两个数据集，我们试图从可用数据中估计目标属性。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 检查的模型有四个，它们在隶属函数的数量（2 或 3）和输出类型（单例或多项式）方面各不相同。 在这种情况下，数据集的小尺寸允许我们使用Grid Partition方法进行输入空间划分。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，首先，我们为输入分区部署了另一种称为减法聚类（SC）的方法，并且还需要通过选择最重要的特征来降低数据集的维数并拒绝不太有用的特征。 之后，我们应用Grid Search和5-fold Cross Validation来找到特征数量和集群半径的最佳组合，从而使验证误差最小。 使用该过程产生的结果，我们训练