<input id="keckm"></input>
聚類分析：K-Means動(dòng)態(tài)聚類算法的源程序
標(biāo)簽： K-Means 聚類分析 動(dòng)態(tài) 源程序
上傳時(shí)間： 2014-12-21
上傳用戶：cx111111
模糊ISODATA聚類分析，可以模糊矩陣數(shù)據(jù)進(jìn)行聚類分析
標(biāo)簽： ISODATA 模糊 聚類分析
上傳時(shí)間： 2014-12-08
上傳用戶：13160677563
用matalab實(shí)現(xiàn)的最短距離算法的系統(tǒng)聚類分析對(duì)樣本進(jìn)行分類
標(biāo)簽： matalab 短距離 樣本 分類
上傳時(shí)間： 2014-01-02
上傳用戶：問(wèn)題問(wèn)題
運(yùn)用遺傳算法進(jìn)行聚類分析，對(duì)基金的風(fēng)格進(jìn)行分類
標(biāo)簽： 算法 聚類分析
上傳時(shí)間： 2014-01-05
上傳用戶：youmo81
可方便地實(shí)現(xiàn)聚類分析,MATLAB版的,多多珍惜啊
標(biāo)簽： MATLAB 聚類分析
上傳用戶：許小華
對(duì)iris數(shù)據(jù)進(jìn)行聚類分析的java源程序
標(biāo)簽： iris java 數(shù)據(jù) 聚類分析
上傳時(shí)間： 2014-01-03
上傳用戶：nanshan
文中設(shè)計(jì)了一個(gè)3層徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)用于對(duì)企業(yè)的5項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行聚類分析，并與蟻群算法做了比較分析。RBFN由輸入層 到隱含層采用傳統(tǒng)的K一均值算法，隱含層到輸出層通過(guò)“模2遞減”學(xué)習(xí)速率的BP學(xué)習(xí)；蟻群算法根據(jù)信息素的分配能夠自動(dòng)調(diào)整收索 路徑，從而達(dá)到數(shù)據(jù)自動(dòng)聚類的目的。結(jié)果表明，與蟻群算法相比，改進(jìn)RBFN具有快速收斂、自動(dòng)識(shí)別奇異樣本的優(yōu)點(diǎn)，而蟻群算法 無(wú)須教師學(xué)習(xí)，并能夠達(dá)到全局最優(yōu)。
標(biāo)簽： RBFN 徑向 神經(jīng)網(wǎng)絡(luò) 評(píng)價(jià)指標(biāo)
上傳時(shí)間： 2013-12-15
上傳用戶：txfyddz
包括模糊聚類分析數(shù)據(jù)各種標(biāo)準(zhǔn)化變換、模糊聚類分析建立模糊相似矩陣的各種方法
標(biāo)簽： 模糊 聚類分析 數(shù)據(jù) 變換
上傳時(shí)間： 2014-12-03
上傳用戶：cc1915
基于自組織特征映射網(wǎng)絡(luò)的聚類分析，是在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來(lái)的一種新的非監(jiān)督聚類方法，分析了基于自 組織特征映射網(wǎng)絡(luò)聚類的學(xué)習(xí)過(guò)程，分析了權(quán)系數(shù)自組織過(guò)程中鄰域函數(shù)和學(xué)習(xí)步長(zhǎng)的一般取值問(wèn)題，給出了基于自組織 特征映射網(wǎng)絡(luò)聚類實(shí)現(xiàn)的具體算法，并通過(guò)實(shí)際示例測(cè)試，證實(shí)了算法的正確性。
標(biāo)簽： 自組織 特征 映射網(wǎng)絡(luò) 聚類分析
上傳時(shí)間： 2014-11-29
上傳用戶：xiaohuanhuan
1)打開“聚類分析軟件”文件夾，點(diǎn)擊“聚類分析.msi”安裝程序，在安裝向?qū)е羞x擇安裝目錄，安裝完成。 2)打開Matlab軟件程序，將當(dāng)前工作目錄設(shè)為“聚類分析”的安裝目錄，在命令行中輸入“Cluster”命令，即可打開聚類分析軟件。
標(biāo)簽： 聚類分析 軟件
上傳時(shí)間： 2013-12-31
上傳用戶：zhenyushaw
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
