在解决组合测试中的测试数据集生成问题时，粒子群优化算法(PSO)在待测数据量增加达到一定程度以后，出现迭代次数增加、收敛速度减慢的缺点。针对该问题，提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域，增强测试数据集的多态性，从而对粒子群优化算法进行改进，增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。

：将核学习方法的思想应用于K-均值聚类中，提出了一种核K-均值聚类算法，算法的主要思想是：首先将原空间中待聚类的样本经过 一个非线性映射，映射到一个高维的核空间中，突出各类样本之间的特征差异，然后在这个核空间中进行K-均值聚类。同时还将一种新的核 函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性，分别利用人工和实际数据进行K-均值聚类和核K-均值聚类，实验结 果显示对于一些特殊的类分布数据，核K-均值聚类比K-均值聚类具有更好的聚类效果

本人原创的K均值聚类算法，可支持不限维度的多维空间点的聚类。以欧氏距离为相似度量，接口分离，易改写。采用JAVA语言实现。

在本文中，我们考虑结合确定性退火方法和Tsallis熵最大化的模糊c均值（FCM）聚类算法。 Tsallis熵是Shannon熵的q参数扩展。 通过在FCM框架内最大化Tsallis熵，可以推导出类似于统计机械分布函数的隶属函数。 使用此方法时的主要考虑因素之一是如何为给定的数据集确定合适的q值和最高退火温度Thigh。 因此，在本文中，提出了一种在不引入任何附加参数的情况下同时确定这些值的方法。 在我们的方法中，隶属函数通过一系列扩展方法进行近似，并且K-means聚类算法被用作预处理步骤以估计每个数据分布的半径。 实验结果表明，该方法是有效的，并且可以根据给定的数据集自动和代数确定q和Thigh。

主动管理技术的快速发展为分布式光伏发电大规模接入配电网提供了可能。将主动管理与分布式光伏优化配置相结合，以分布式光伏的安装位置、容量和主动管理措施为决策变量，建立以分布式光伏能量渗透率最大和电压偏差最小为目标函数的优化配置模型；利用基于二分K-均值聚类的多场景分析法处理光伏出力和负荷的不确定性及时序特性，克服K-均值聚类场景缩减对初始质心选取敏感的缺陷；提出基于并行计算的多场景分析和多目标分子微分进化算法对优化模型进行求解，得到配电网分布式光伏最优配置方案及主动管理策略。IEEE 33节点配电系统仿真结果表明，所提优化配置方法可有效提高分布式光伏消纳量并保证供电质量。

文献节选翻译。文献原名：Constrained K-means Clustering with Background Knowledge

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

使用MFC实现了遥感图像处理中的非监督分类-K均值聚类，可以对绝大多数常用图像格式进行处理和分类，可以人工设置分类精度和分类类别，可以保存分类后的图像，代码注释很详细，界面也很美观。

可用于对SPSS的分析，希望可以帮到大家。案例中包括了详细的分析数据。

针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测(CODHD-Stream)算法.该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的K-means聚类算法将数据集划分成微聚类,并检测微聚类的离群点.通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度.