基于K_means聚类算法的复杂网络社团发现新方法.pdf

K-means、层次聚类和DBSCAN三种聚类算法的实现(java)

利用Excel的VBA语法进行编辑制作出来的，可用于二维数组的k均值（k-means）聚类，并自动生成每次迭代之后的中心点及对应的迭代次数，最后还可以将结果用图形的方式输出。

用户用电情况随着电网技术发展变得更加复杂,同时产生大量用电特征。以往采用基于神经网络挖掘方法和基于CURE算法的挖掘方法受到噪声数据影响,导致挖掘精准度较低,针对该问题,提出基于k-means聚类算法

基于LDA的改进K_means算法在文本聚类中的应用

在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够

针对目前多层社会网络（multi-layered social network，MSN）的社团发现算法较少、社团划分结果较粗糙等特点，提出了一种基于边聚类的多层社会网络社团发现（CLEDCC）算法。该

K-medoids聚类算法为K-means算法的改进，k均值算法未计算一个新的点作为聚类中心点，K-medoids遍历原有数据点选择一个最优点（距离最小）为中心点。适用于分类数据。

图像分割:利用图像的灰度、颜色、纹理、形状等特征,把图像分成若干个互不重叠的区域,并使这些特征在同一区域内呈现相似性,在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域提取出

基于聚类数和初始值的K_means算法改进研究

K-means聚类PPT,讲课实用课件。共包括算法原理、算法流程、实例讲解、应用场景、算法总结、改进算法几个内容。