通过流形上的排序定义光谱聚类的亲和图

本案例结合了模糊聚类的无监督聚类和广义神经网络的有监督学习功能，完成了对未知网络入侵数据的聚类，广义神经网络所起的作用为训练后分类所有入侵样本。

摘要: 目前的聚类算法如K-means、DBSCAN等, 采用全局参数而难以发现数据的自然聚类, 提出一种新的分 级聚类算法CluFNC, 能够在数据空间中发现内部聚类特征。该算法的参数包括网格大小、

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

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

为了对图数据库中的结构化数据有效的聚类分析，首先对不同的图数据样本进行特征的深度挖掘，构造了包含节点间连接层次关系的关联度矩阵，与拉普拉斯矩阵结合共同完成谱特征分析；然后利用高斯核函数进行相似度矩阵的

基于稀疏流形聚类嵌入模型和L_1范数正则化的标签错误检测

较简单的分级聚类,将一个样本分为两类,随意编的小程序

为了使降维结果更好地体现高光谱数据的空间结构信息, 并进一步提高分类精度, 提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法, 所提算法采用协同表示理论求解全局线性嵌

针对高光谱遥感图像维数高、样本少导致分类精度低的问题，提出一种基于DS聚类的高光谱图像集成分类算法（DSCEA）。首先，根据高光谱数据特点，从整体波段中随机选择一定数量的波段，构成不同的训练样本；其次

speclus4py 分布式机器学习的光谱聚类实现 该软件包与使用无监督学习有关。 它是用和框架之上的Python编程语言编写的,并且它包括许多其他其他软件包,例如 , , , 。 它利用了分布式内存