SODATA算法是在k-均值算法的基础上，添加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
迭代次数会影响最终结果，迭代参数选择很重要。
迭代次数会影响最终结果，迭代参数选择很重要。
2016/8/5 9:16:36
5.8MB
1
中国科学技术大学汪增福模式识别课程课件。
第一章为绪论。
第二章引见统计模式识别中的几何方法，着重引见特征空间的概念和相关分类器的设计方法。
第三章引见统计模式识别中的概率方法，着重引见最小错误概率分类器、最小风险分类器、纽曼皮尔逊分类器和最小最大分类器以及概率密度函数的参数估计和非参数估计等。
第四章讨论典型分类器错误概率的计算问题。
第五章讨论无监督情况下的模式识别问题，着重引见几种典型的聚类算法：基于分裂的聚类方法、基于合并的聚类方法、动态聚类方法、基于核函数的聚类方法和近邻函数值聚类方法等。
第六章讨论结构模式识别问题，给出几种典型的文法规则和与之相关联的识别装置，包括有限状态自动机、下推自动机和图灵机等。
最后，在第七章对全书进行总结。
第一章为绪论。
第二章引见统计模式识别中的几何方法，着重引见特征空间的概念和相关分类器的设计方法。
第三章引见统计模式识别中的概率方法，着重引见最小错误概率分类器、最小风险分类器、纽曼皮尔逊分类器和最小最大分类器以及概率密度函数的参数估计和非参数估计等。
第四章讨论典型分类器错误概率的计算问题。
第五章讨论无监督情况下的模式识别问题，着重引见几种典型的聚类算法：基于分裂的聚类方法、基于合并的聚类方法、动态聚类方法、基于核函数的聚类方法和近邻函数值聚类方法等。
第六章讨论结构模式识别问题，给出几种典型的文法规则和与之相关联的识别装置，包括有限状态自动机、下推自动机和图灵机等。
最后，在第七章对全书进行总结。
2021/11/8 11:51:08
25.28MB
1
为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C-均值(FCM)聚类的纱线疵点检测算法。
首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形状学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。
为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。
结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。
首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形状学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。
为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。
结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。
2019/9/9 14:33:50
2.81MB
1
Splunk_ML_Toolkit_Algorithms其他MLTK算法添加的第一个算法是OPTICS聚类算法。
这是对DBSCAN算法的某些改进。
scikit-learn实现（）使用默认设置，min_pts=5并使用欧氏距离进行测量。
另外，max_eps是可以减少计算时间的有用功能。
需要检查您能否正确注册了算法？运行这个：|休息/servicesNS/nobody/-/configs/conf-algos|表标题
这是对DBSCAN算法的某些改进。
scikit-learn实现（）使用默认设置，min_pts=5并使用欧氏距离进行测量。
另外，max_eps是可以减少计算时间的有用功能。
需要检查您能否正确注册了算法？运行这个：|休息/servicesNS/nobody/-/configs/conf-algos|表标题
2019/11/12 22:09:02
3KB
1
可以做图像分割，数据挖掘，目前，针对K-Means算法研究及应用，尤其是在文本聚类挖掘层面的应用研究越来越多。
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
该算法认为簇是由距离靠近的对象组成的，因而把得到紧凑且独立的簇作为最终目标。
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
该算法认为簇是由距离靠近的对象组成的，因而把得到紧凑且独立的簇作为最终目标。
2015/5/23 20:02:13
3KB
1
初始聚类中心给定。
K均值聚类算法首先是聚类算法。
K均值算法是一种简单的迭代型聚类算法，采用距离作为类似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。
它将类似的对象归到同一个簇中，聚类方法几乎可以应用于所有对象，簇内的对象越类似，聚类的效果越好，之所以称之为K-均值是因为它可以发现k个不同的簇。
K均值聚类算法首先是聚类算法。
K均值算法是一种简单的迭代型聚类算法，采用距离作为类似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。
它将类似的对象归到同一个簇中，聚类方法几乎可以应用于所有对象，簇内的对象越类似，聚类的效果越好，之所以称之为K-均值是因为它可以发现k个不同的簇。
2018/3/20 4:08:39
1.7MB
1
用python写的一个k-means聚类算法的实现，测试数据在压缩包的data.txt中，结果通过图示的方法进行直观展现。
2022/10/1 15:36:31
5KB
1
keams聚类算法，matlab界面实现，可一支持任意维数据，有界面，数据点可以经过鼠标添加，简单清晰
2022/9/30 7:02:46
9KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB