K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。一般都采用均方差作為標準測度函數. k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
上傳時間： 2013-12-19
上傳用戶：chenlong
在做2維度樣本分類的過程中,若我們能事先畫出訓練樣本在空間中的分散情形,這將有助於我們在設定SVM分類器的參數C的取值範圍. 例如:若畫出的訓練樣本的散佈較分散,我們可以得知此時採用的參數值可以取在較大的範圍. 所以本程式也是讓想要畫出資料樣本在平面的散佈情形者之一各可行工具.
上傳時間： 2016-08-19
上傳用戶：sy_jiadeyi
k-means 算法接受輸入量 k ；然后將n個數據對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進行計算的。 Matlab 源代碼，以蘭花數據集作為測試對象。
上傳時間： 2014-01-21
上傳用戶：2525775
這是一個將n個樣本聚類到m個類別中 將n個樣本在m個類里如何分配輸出的遺傳算法代碼。 適應度：sum(i=1_110)sum(j=1_20)【xi-vj】~2
上傳時間： 2014-08-09
上傳用戶：wkchong
針對區域立體匹配計算量大實時性差的困難,分析了相關匹配算法的實際工作過程,采用消除冗余因子和M2C濾 波、多級分辨率匹配減小計算復雜度,對算法結構進行了改進和優化,并利用超線程和D65/EF技術對算法進行了加速,提出 了一種實時區域匹配算法。對算法進行實驗,結果表明算法符合了視覺導航的準確性和實時性要求,并且對于提高其他區域 匹配算法實時性也具有重要借鑒意義。
上傳時間： 2013-12-12
上傳用戶：xz85592677
很高效的判斷組合數C(n,k)的奇偶性。 巧妙的使用了位運算。時間復雜度為O(1). 避免使用大數類。
上傳時間： 2016-12-01
上傳用戶：lizhen9880
雙線性內插法(bi-linear interpolation) 此方法以(x,y)的四個鄰近點來求得最近似的灰度
標簽： interpolation bi-linear 61548 灰度
上傳時間： 2013-12-28
上傳用戶：三人用菜
雙線性內插法(bi-linear interpolation) 此方法以(x,y)的四個鄰近點來求得最近似的灰度
標簽： interpolation bi-linear 61548 灰度
上傳時間： 2014-12-21
上傳用戶：佳期如夢
1)自選存儲結構,輸入含n個頂點（用字符表示頂點）和e 條邊的圖G； (2)求每個頂點的度,輸出結果； (3)指定任意頂點x為初始頂點,對圖G作DFS遍歷,輸出DFS 頂點序列(提示:使用一個棧實現DFS)； (4)指定任意頂點x為初始頂點,對圖G作BFS遍歷,輸出BFS 頂點序列(提示:使用一個隊列實現BFS)； (5)輸入頂點x,查找圖G:若存在含x的頂點,則刪除該結點及 與之相關連的邊,并作DFS遍歷(執行操作3)；否則輸出信 息“無x”； (6)判斷圖G是否是連通圖，輸出信息“YES”/“NO”； (7)如果選用的存儲結構是鄰接矩陣,則用鄰接矩陣的信息生 成圖G的鄰接表,即復制圖G,然再執行操作(2)；反之亦然。
上傳時間： 2013-12-26
上傳用戶：123456wh
行動通訊上的的編程 這本書集中在三個主要的挑戰 1.更高的編程效率 2.降低計算的複雜度 2.提升容錯性
標簽： 效率
上傳時間： 2017-06-05
上傳用戶：diets
