基于Matlab实现： 模式识别 改进的K-Means++算法 实现模式分类

用于聚类多元数据的 k-means++ 算法的有效实现。 已经表明，该算法具有对 log(k) 竞争的总簇内距离的期望值的上限。 此外，k-means++ 通常比普通 k-means 收敛得多。

1 K-means算法 实际上，无论是从算法思想，还是具体实现上，K-means算法是一种很简单的算法。它属于无监督分类，通过按照一定的方式度量样本之间的相似度，通过迭代更新聚类中心，当聚类中心不再移动或移动差值小于阈值时，则就样本分为不同的类别。 1.1 算法思路 随机选取聚类中心 根据当前聚类中心，利用选定的度量方式，分类所有样本点 计算当前每一类的样本点的均值，作为下一次迭代的聚类中心 计算下一次迭代的聚类中心与当前聚类中心的差距 如4中的差距小于给定迭代阈值时，迭代结束。反之，至2继续下一次迭代 1.2 度量方式 根据聚类中心，将所有样本点分为最相似的类别。这需

K-means算法讲解

均值聚类算法可以做聚类分析、以及基于成像的波形提取

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。

Cuda K-Means 图像聚类算法由 Andrea Toscano, Università degli Studi di Milano (Informatica) 在 NVidia Cuda 中实现。 这个小项目展示了如何实现应用于图像的 K-Means 聚类算法以减少其颜色。 一些预处理是使用 python 脚本计算的，以便以更好的方式表示图像并轻松找到适合算法的初始质心。 在 Cuda K-Means 例程中涉及全局内存和常量内存。 未来的工作还将包括包含整个图片的纹理内存，从而提高算法的性能。

k-means算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。 它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。这一算法不适合处理离散型属性，但是对于连续型具有较好的聚类效果。

c#实现的k-means算法，从数据库中读取二维的数据，数据库可以自己建，自己修改

基于改进K-Means算法的教学反思文本聚类研究.pdf