注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 模式识别k均值算法，

  2. 使用k均值算法对图像进行分类，可以设置类别，动态显示聚类中心变化

  3. 所属分类：其它

    • 发布日期：2010-05-07
    • 文件大小：3145728
    • 提供者：xiumuyh

  1. k-means Java实现版本

  2. 本人自己写的代码 手动输入聚类中心 设置聚类迭代次数 用java实现的 当迭代的相邻的聚类中心不再变化时 程序就结束 而且程序有比较详细的注释

  3. 所属分类：Java

    • 发布日期：2011-04-24
    • 文件大小：11264
    • 提供者：luomingwei108

  1. SQL Server 2008 商业智能完美解决方案 第一部分

  2. SQL Server 2008 商业智能完美解决方案 书籍的扫描整理版本，由于文件太大，分三个包，三个包都下载了解压即可。 《SQL Server 2008商业智能完美解决方案》结合专家团队提供的实际示例和丰富经验进行介绍，让读者能够直观轻松地掌握构建商业智能(BI)解决方案的概念、工具和技术，是一本不可多得的商业智能开发参考指南。无论是商业智能(BI)编程新手还是经验丰富的老手，都可从《SQL Server 2008商业智能完美解决方案》中获益。 图书目录 　　第一部分 面向商业决策者和架构

  3. 所属分类：SQLServer

    • 发布日期：2012-10-24
    • 文件大小：59768832
    • 提供者：yrq205

  1. SQL Server 2008 商业智能完美解决方案 第二部分

  2. SQL Server 2008 商业智能完美解决方案 书籍的扫描整理版本，由于文件太大，分三个包，三个包都下载了解压即可。 《SQL Server 2008商业智能完美解决方案》结合专家团队提供的实际示例和丰富经验进行介绍，让读者能够直观轻松地掌握构建商业智能(BI)解决方案的概念、工具和技术，是一本不可多得的商业智能开发参考指南。无论是商业智能(BI)编程新手还是经验丰富的老手，都可从《SQL Server 2008商业智能完美解决方案》中获益。 图书目录 　　第一部分 面向商业决策者和架构

  3. 所属分类：SQLServer

    • 发布日期：2012-10-24
    • 文件大小：59768832
    • 提供者：yrq205

  1. 设置聚类中心的模糊 C均值

  2. 设置 聚类中心的模糊C均值 大大的减少了迭代次数，matlab

  3. 所属分类：其它

    • 发布日期：2017-12-16
    • 文件大小：2048
    • 提供者：qq_37584653

  1. 模糊C均值聚类(FCM)算法（IOSDATA）+ c语言代码

  2. 本代码算法用例为鸢尾花数据集合； IOSDATA算法实现步骤，在很多资料和论坛中都有详细的介绍，这里就不对算法步骤进行陈述了。 就我代码中，我对下面几个控制参数的理解： 初始聚类数：初始类聚中心，跟聚类聚中心划分簇。 期望得到的聚类数：这个数并不是最终得到的类聚数目，可以理解为我们人为的预估可能得到的类聚数，最后的结果不一定与这个数相等。 最大迭代次数：控制程序的迭代次数，根据样本数量大小设置，本代码中的最大迭代次数设置为10，但迭代到4步左右就已经类聚完成了。 其他的一些控制参数看注解或一些

  3. 所属分类：C#

    • 发布日期：2018-04-04
    • 文件大小：23552
    • 提供者：qq_35331869

  1. 彩色图分割

  2. 一种利用Lab色彩空间和kmeans的彩色图像分割算法。代码共分为两个： 1、Segment_RGB 该代码用来对图像在LAB空间进行分割，并且将生成的图片进行保存。 gamma函数和RGBtoLab函数： 用来将图像从RGB空间转化为LAB空间； InputBmp函数： 用来对图像进行进行显示。 2、KMeans 该代码用来对图像首先从RGB空间转化到LAB空间，然后对转化到LAB空间的图像进行K-Means聚类，最后根据聚类的结果，在图像上显示不同的颜色。 main.cpp： 是主程序，用

  3. 所属分类：机器学习

    • 发布日期：2018-06-11
    • 文件大小：11534336
    • 提供者：u012829240

  1. 调用sklearn库的K-Means聚类分析实例

  2. #class sklearn.cluster.KMeans(n_clusters=8, init=’k-means++’, n_init=10, max_iter=300, tol=0.0001, precompute_distances=’auto’, verbose=0, random_state=None, copy_x=True, n_jobs=1, algorithm=’auto’) #参数： #（1）对于K均值聚类，我们需要给定类别的个数n_cluster，默认值为8； #（2）m

  3. 所属分类：机器学习

    • 发布日期：2018-01-26
    • 文件大小：7168
    • 提供者：zhaohaibo_

  1. 基于SLIC的超像素图像分割

  2. 超像素图像分割是对图像进行分析和理解的关键步骤，在图像处理领域具有重要的研究和应用价值。本题目需要实现一种基于SLIC超像素图像分割的算法。首先利用SLIC对图像进行超像素分割处理，把原图像分割成大小相似、形状规则的超像素，以超像素中心点的五维特征值作为原始数据点进行聚类，确定多体素数目和分割边界。SLIC具有以下优势：1）生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达；2）不仅可以分割彩色图，也可以兼容分割灰度图；3）需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量

  3. 所属分类：图像处理

    • 发布日期：2019-04-04
    • 文件大小：5242880
    • 提供者：qq_42946108

  1. 控制科学发展前沿讲座报告.pdf

  2. 在对超像素的多种生成方法有一定了解之后，比较各种算法的优劣，可以发现无论是那种算法都 很难做到对超像素数量的良好控制，把图像分割成超像素后，超像素的数量要么大于预期值造成过分 割，要么小于预期值造成欠分割。 而造成超像素数量难以控制的原因则是因为不同算法在由于自身策略的需要造成超像素数量的偏 差，以超像素分割中最经典的 SLIC 算法为例，分析其背后原因。 首先介绍一下 SLIC 算法，算法大致思想为:将图像从 RGB 颜色空间转换到 CIE-Lab 颜色空间， 对应每个像素的(l, a, b

  3. 所属分类：图像处理

    • 发布日期：2019-05-18
    • 文件大小：1048576
    • 提供者：papernoise

  1. 大数据差分隐私保护方案设计与实现.docx

  2. 本文采用数据挖掘中常用聚类K-means算法，并结合差分隐私技术，借由Hadoop的Mapreduce并行框架实行，并且改进传统的随机选择初始中心点的弊端，采用平均划分 个数据集的方法得到初始中心点。迭代中在每个聚簇的属性向量和与数据总数目中加入Laplace噪声后计算聚类中心点，以此实现差分隐私保护。最终结果的评价通过设置两组对比实验得出：通过设置不同的隐私预算参数，在相同聚类个数下采用F-measure指标衡量最终聚类可用性，通过对比得出本文改进的算法在结果可用性上有一定改善；通过设置不同

  3. 所属分类：Hadoop

    • 发布日期：2019-06-22
    • 文件大小：1048576
    • 提供者：weixin_42364363

  1. 研究论文-基于联合概率关联的雷达信号分选方法.pdf

  2. 信号分选是电子侦察的重要组成部分，在愈发复杂的电磁环境中变得尤为重要。文中提出一种基于联合概率数据关联的雷达信号分选方法，该方法在信号处理的过程中将雷达参数从测量域转换到概率域，将脉冲描述字与聚类中心的距离转换为关联概率，通过关联概率来对落入关联门限内的雷达参数分别进行更新，对参数相近或交叠的雷达信号能达到良好的分选效果。文中设置12部雷达信号，分别有脉冲重复间隔（PRI）固定（常规）、PRI抖动、PRI参差、捷变频雷达，其中脉宽、到达角有参数相同的雷达，载频有参数相近的雷达，仿真结果表明，对

  3. 所属分类：其它

    • 发布日期：2019-08-07
    • 文件大小：885760
    • 提供者：weixin_39840387

  1. 标准送审稿2019DevOps研发运营(3).pdf

  2. 标准送审稿2019DevOps研发运营(3).pdfYDT1756T2018 7.11配置对象 ..11 7.12配置数据 11 8容量和成本管理 81容量管理…… 12 81.1基础设施容量 12 812业务容量 12 8,2成本管理… 13 821成本合理性 822预算与核算 13 9高可用管理 4 91应用高可用管理, 14 911弹性能力 14 912柔性能力 15 913运行与维护管理 .15 92数据高可用管理…. 16 921数据库高可用 16 922缓存高可用 17 10业务连续

  3. 所属分类：互联网

    • 发布日期：2019-07-05
    • 文件大小：1048576
    • 提供者：zl3533

  1. 基于Walsh-Hadamard投影的快速Nonlocal-Means图像去噪.pdf

  2. NLM改进论文，可供算法工程师参考，Walsh-Hadamard投影。382 宇航学报 第32卷 NL- means模型利用观测图像中其它像素点的窗口内,将算法的计算复杂度降为o(m2·n2t2) 加权和来表示当前点图像像素值的估计,即2-1 即便如此, NL-means去噪算法的计算量还是比较 X()=NL()=∑o(i,Y()(2)大,特别是比较窗口和搜索窗口的尺寸较大时,算法 权值o(i,j代表了像素点i和j的相关性, Buade速度较慢。 提出使用以像素点和j为中心的图像块的欧式距 由式

  3. 所属分类：图像处理

    • 发布日期：2019-07-02
    • 文件大小：900096
    • 提供者：irwin0112

  1. 基于KMeans聚类的协同过滤推荐算法推荐原理、过程、代码实现 Canopy聚类算法 KMeans+Canopy聚类算法 聚类算法程序实现 KMEans聚类算法代码java

  2. 基于KMeans聚类的协同过滤推荐算法可运用于基于用户和基于项目的协同过滤推荐算法中，作为降低数据稀疏度和提高推荐准确率的方法之一，一个协同过滤推荐过程可实现多次KMeans聚类。 一、基于KMeans聚类的协同过滤推荐算法推荐原理 KMeans聚类算法是聚类算法中最基础最常用、最重要的聚类算法。KMeans聚类算法首先需要确定N个初始中心点，初始中心点的选择对聚类结果影响很大，常用的初始中心点的选择有随机选择、自定义、采用Canopy聚类算法结果作为初始中心点，然后是重复遍历点与簇中心的距离，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：502784
    • 提供者：weixin_38522253

  1. 一种适用于模糊聚类算法的有效性指标

  2. 模糊c均值聚类算法是最常见的聚类算法。 它通过定义成员资格矩阵来解决数据的不切实际的本质。 由于模糊c均值聚类算法需要预先设置分类数，这在没有先验数据集的情况下几乎是不可能的，因此一些学者提出了有效性指标的概念。 由于有效性指标与隶属度矩阵，数据集中的数据点和聚类中心之间的距离关系有关，因此希望特征加权方法可以用于评估数据集中数据的所有特征。以获得最佳的分类编号。 因此，本文提出了一种针对综合权重指数，密实度指数和可分离性指数的改进的有效性指数。 该有效性指标首先确定数据点的特征与数据点本身之间

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：1048576
    • 提供者：weixin_38631401

  1. 蚁群算法在二维Otsu图像分割中的应用

  2. 提出了一种基于蚁群算法和二维Otsu的图像分割方法,利用蚁群算法快速寻优的特点,求出二维Otsu图像分割的阈值分割点,对图像进行分割。根据源图像和邻域平滑后图像的灰度,以及灰度频数进行聚类。通过灰度直方图的峰值点设置精确的初始聚类中心,解决了蚁群算法运算次数多、计算量大的问题;针对具体应用,对聚类半径、信息激素和启发引导函数进行了修正。实验表明该算法速度快、划分特性好、抗噪声能力强,可以准确地分割出目标。

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：789504
    • 提供者：weixin_38674616

  1. 基于遥感图像数据特征的云存储节能策略

  2. 针对分布式文件系统中随机放置导致服务器利用率低的问题，本文根据遥感图像数据块的特点进行建模，通过设置存储中心的访问频率对数据进行聚类，使相邻的遥感图像数据块在空间位置上的位置在物理存储中也彼此靠近。 它可以提高系统的响应速度，根据数据块组放置数据块，在系统低负载时重新组合未分组的数据块，并关闭可分配的数据节点以实现节能。 实验表明，在遥感图像数据查询中，根据数据块自身的特征放置数据块比随机放置更为有效。 与常见的动态数据放置策略相比，该策略在系统处于中等负载时在节能方面表现更好。

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：314368
    • 提供者：weixin_38710557

  1. 基于谱维约简的密度自适应亲和力传播聚类算法

  2. 作为一种新颖的聚类方法，相似性传播（AP）聚类可以通过在数据点之间传递消息来识别高质量的聚类中心。 但是它的最终簇数受用户定义的自信心参数影响。 当由于先验知识而针对给定数量的集群时，必须启动AP多次，直到找到合适的自信心设置为止。 K-AP算法克服了这一缺点通过在消息传递过程中引入约束来利用K簇的即时结果。 K-AP聚类的关键是构建合适的相似度矩阵，该矩阵可以真实反映数据集的内在结构。 本文设计了一种密度自适应相似度量，以更合理地描述数据点之间的关系。 同时，为了解决K-AP算法在高维数据集中

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：743424
    • 提供者：weixin_38507923

  1. 基于Python——Kmeans聚类算法的实现

  2. 1、概述 本篇博文为数据挖掘算法系列的第一篇。现在对于Kmeans算法进行简单的介绍，Kmeans算法是属于无监督的学习的算法，并且是最基本、最简单的一种基于距离的聚类算法。 下面简单说一下Kmeans算法的步骤： 选随机选取K的簇中心（注意这个K是自己选择的） 计算每个数据点离这K个簇中心的距离，然后将这个点划分到距离最小的簇中 重新计算簇中心，即将每个簇的所有数据点相加求均值，将这个均值作为对应簇的新簇中心。 重复2、3步，直到满足了你设置的停止算法迭代的条件 注意：停止算法迭代的条件一般有

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：145408
    • 提供者：weixin_38543950
« 12 »