使用C语言对传统K-means聚类算法进行了实现，内含较多注释。

针对传统K-means算法易受初始聚类中心和异常数据的影响等缺陷，利用萤火虫优化算法全局搜索能力强、收敛速度快的优势，对K-means算法的初始聚类中心进行优化，并通过引用一种加权的欧氏距离，减少异常数据等不确定因素带来的不良影响，提出了一种基于萤火虫优化的加权K-means算法。该算法在提升聚类性能的同时，有效增强了算法的收敛速度。在实验阶段，通过UCI数据集中的几组数据对该算法进行了聚类实验及有效性测试，实验结果充分表明了该算法的有效性及优越性。

Users_Clustering 根据用户的行为模型，使用k-means算法对用户进行聚类

k-means聚类算法 k-means是发现给定数据集的k个簇的算法，也就是将数据集聚合为k类的算法。 算法过程如下： 1）从N个文档随机选取K个文档作为质心 2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类，我们一般取欧几里得距离 3）重新计算已经得到的各个类的质心 4）迭代步骤（2）、（3）直至新的质心与原质心相等或迭代次数大于指定阈值，算法结束 算法实现 随机初始化k个质心，用dict保存质心的值以及被聚类到该簇中的所有data。 def initCent(dataSet , k): N = shape(dataSet)[1] cents = {} ran

实现了把n个二维向量聚类，聚成m个部分，仅供参考。

给出了一个利用K-means算法进行迭代聚类,并以聚类结果建立彩色图像调色板的算法C该算法在统计图像中各种颜色的RGB组合值出现次数的基础上,以聚类得到的256种颜色建立调色板,从而将BMP格式图像转换成GIF格式。实验表明,这种转换的色彩失真较小。

1 K-means算法 实际上，无论是从算法思想，还是具体实现上，K-means算法是一种很简单的算法。它属于无监督分类，通过按照一定的方式度量样本之间的相似度，通过迭代更新聚类中心，当聚类中心不再移动或移动差值小于阈值时，则就样本分为不同的类别。 1.1 算法思路 随机选取聚类中心 根据当前聚类中心，利用选定的度量方式，分类所有样本点 计算当前每一类的样本点的均值，作为下一次迭代的聚类中心 计算下一次迭代的聚类中心与当前聚类中心的差距 如4中的差距小于给定迭代阈值时，迭代结束。反之，至2继续下一次迭代 1.2 度量方式 根据聚类中心，将所有样本点分为最相似的类别。这需

K-means算法讲解

均值聚类算法可以做聚类分析、以及基于成像的波形提取

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。