K-means算法处理海量数据时，易产生系统内存溢出的现象。利用MapReduce框架改进K-means虽然解决了这个问题，但也存在着聚类效果不稳定以及准确率不高等问题，提出一种改进算法，利用MapReduce框架实现K-means时，采用多次随机抽样，通过计算密度、距离与平方误差等方法，最终选取较优的初始聚类中心，并在迭代中采用新的中心点计算方法。实验结果证明，改进后的算法具有较好的稳定性、准确性和加速比。

k-means算法 k-means算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。相似度的计算根据一个簇中对象的平均值来进行。 算法首先随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的簇。然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。 准则函数试图使生成的结果簇尽可能地紧凑和独立。 算法5-1 k-means算法 输入：簇的数目k和包含n个对象的数据库。 输出：k个簇，使平方误差准则最小。 （1)assign initial value for means; /*任意选择k个对象作为初始的簇中心；*/ (2) REPEAT (3) FOR j=1 to n DO assign each xj to the closest clusters; (4) FOR i=1 to k DO / *更新簇平均值*/ (5) Compute /*计算准则函数E*/ (6) UNTIL E不再明显地发生变化。

 针对电力大数据收集和存储中数据量大、数据收集不精准的问题，提出了基于改进K-means算法的电力大数据系统的设计。对传统K-means算法进行分析，提出改进之后的K-means算法。根据改进后算法设计电力大数据系统，对系统的架构进行分析，包括数据存储、设备层、数据接入等模块。对设计的电力大数据系统进行实验，实验结果表明，文中设计的电力大数据系统能够满足实际需求，提高系统的存储和处理效率。

k-means 算法的matlab代码 基于多特征分析的视频窜改检测算法 运行平台：Matlab 简要使用说明 利用两个算法来检测视频是否经过篡改，方法1针对大范围帧间篡改（帧删除、帧替换、帧插入）； 方法2作为方法1的补充，对小范围篡改也许会有一点改善（然而并没有）； 方法1：基于视频相关性变化的视频篡改检测算法 利用视频内容具有连续性这一特点，提取相关性变化度这一特征，通过K-means算法挑出帧异常点； 方法2：基于运动矢量分析的视频篡改检测 利用光流法求出运动矢量，将运动矢量这一阶段特征输入SVM分类器，通过学习后训练出模型，将待检测视频导入训练模型，检测篡改点； 代码说明 对主要的程序进行简单说明 为利用相关性变化度为特征，利用二次切比雪夫挑出离群点; [1]黄添强, 陈智文, 苏立超,等. 利用内容连续性的数字视频篡改检测[J]. 南京大学学报(自然科学版), 2011, 47(5):493-503. 为方法1； <checkErrorFramePointBySV

【程序老媛出品，必属精品，亲测校正，质量保证】 资源名：matlab k-means算法 程序源码.zip 资源类型：程序源代码 源码说明： matlab实现 k-means算法 程序 包含完整代码 非常适合借鉴学习 适合人群：新手及有一定经验的开发人员

基于半监督K-means的主动学习聚类算法 ，孙凯，孟祥武，针对K-means算法对初始聚类中心敏感，针对不规则聚类簇效果较差的缺点，提出了一种基于半监督K-means的主动学习算法。为了针对指定的k

从网上找的代码自己改了下，写了了个短小的人工智能作业K-MEANS算法

大数据挖掘课程作业。提出一种利用聚类和分类等数据技术来挖掘B站中具有高价值的up主。通过挖掘B站up主的视频播放信息，能够获得其点赞量、播放量、留言反馈等各种信息。基于这些信息对up主进行聚类，讲up主分为不同价值的群体。文中主要使用K-Means聚类算法来对B站up主群体进行分类，从而反映出不同up主的价值，并以此为依据来推送有高价值的up主，于平台、于用户而言都是有益的。实验结果显示，该方法展现出很好的分类效果。

Matlab代码sqrt 该存储库包含用于产生手稿结果的代码：（）。 代码-PCSKM exeSimus.m：运行整个分析并将结果存储在./GenRes/results文件夹中。 该文件包含以下选项： 确定： 0/1开始时不带或带有随机种子。 JMPCKM_OVERLOAD： 0/1使用重载或非重载MPCK-Means。 该库用于MPCK-Means算法。 看 。 CONSTR_PERC： 0/1根据大小使用固定数量的约束或百分比。 日志： （0）无日志文件且无显示，（1）仅日志文件，（2）仅显示，（其他）显示和日志文件。 constraints_type：要使用的约束类型； 0/1激活ML和/或CL，当从所有可用约束中选取-1则随机约束时，则同时选择了1则相等数量的每种类型的牺牲子。 Constraints_number：要使用的固定值或约束的百分比。 citer：每个约束的迭代次数 sstep：要测试的稀疏性参数值，从步骤1.1到sqrt（尺寸），步长为sstep 。 maxIter：算法迭代以达到收敛。 k折：选择k进行k折验证。 CVstatsPer.m：生成有关数据集的统计信

关于k-means算法的源程序代码.%%%%%%函数说明%%%%%% %输入： % sample--样本集； % k--聚类数目； %输出： % y--类标； % cnew--聚类中心； % n--迭代次数； function [y cnew n]=k_means(sample,k)