基于小波包熵和模糊C均值的轴承故障诊断MATLAB程序

模糊C均值聚类，包含200名用户RFM真实行为数据表格，本案例通过模糊C均值聚类，将200名用户聚类成所设定类别数目，通过指定迭代次数，查找cluster_table变量查看用户所属类别

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。

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

【图像分割】直觉模糊C均值聚类的图像分割IFCM.md

模糊均值聚类算法。

基于python实现图片的变化检测。变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程；遥感变化检测是一个确定和评价各种地表现象随时间发生变化的过程；遥感变化检测是遥感瞬时视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化。

模糊C均值代码解释 用于聚类分析的运用，可以帮助理解

高光谱遥感图像模糊c均值聚类算法的matlab实现

模糊C均值聚类算法代码，实现数据聚类，机器学习代码的一部分。