聚類的案例
159基于matlab的基于密度的噪聲應(yīng)用空間聚類(DBSCAN)算法對點進行聚類 ￥15.5
基于matlab的基于密度的噪聲應(yīng)用空間聚類(DBSCAN)算法對點進行聚類，聚類結(jié)果效果好，DBSCAN不要求我們指定集群的數(shù)量，避免了異常值，并且在任意形狀和大小的集群中工作得非常好。它沒有質(zhì)心，聚類簇是通過將相鄰的點連接在一起的過程形成的。優(yōu)于kmeans。程序已調(diào)通，可直接運行。
8超像素分割，SLIC利用了簡單的聚類（貪婪）算法，初始時，每一個聚類的中心被平均的分布在圖像中 ￥29.9
超像素分割，SLIC利用了簡單的聚類（貪婪）算法，初始時，每一個聚類的中心被平均的分布在圖像中，而超像素的個數(shù)，可以基本由這些中心點來決定。每一步迭代，種子像素合并周圍的像素，形成超像素。基于MATLAB平臺，程序已調(diào)通可直接運行。
ArcGIS中的聚類分布制圖工具
創(chuàng)建單個加權(quán)點聚合事件數(shù)
無論是哪種方法，在工具的日志中會提供一個研究這些數(shù)據(jù)聚類的最優(yōu)的距離，類似。
最優(yōu)的距離
06
聚類和異常值分析
給定一組加權(quán)要素，使用 Anselin Local Moran’s I 統(tǒng)計量來識別具有統(tǒng)計顯著性的熱點、冷點和空間異常值。
熱點分析(Getis-Ord Gi) 工具也是查找熱點和冷點位置的有效工具。
但是，只有聚類和異常值分析(Anselin Local Moran’s I) 工具可以識別具有統(tǒng)計學(xué)上的顯著性的空間異常值（高值由低值圍繞或低值由高圍繞的值）。
輸出要素類中包含：Local Moran’s I 指數(shù)、z 得分、p 值、聚類/異常值類型 (COType)。
如果要素的 z 得分是一個較高的正值，則表示周圍的要素擁有相似值（高值或低值）。
輸出要素類中的 COType 字段會將具有統(tǒng)計顯著性的高值聚類表示為 HH，將具有統(tǒng)計顯著性的低值聚類表示為 LL。
如果要素的 z 得分是一個較低的負值（如，小于 -3.96），則表示有一個具有統(tǒng)計顯著性的空間數(shù)據(jù)異常值。
輸出要素類中的 COType 字段將指明要素是否是高值要素而四周圍繞的是低值要素 (HL)，或者要素是否是低值要素而四周圍繞的是高值要素 (LH)，如下圖可以幫助理解。
聚類和異常值
COType 字段將始終指明置信度為 95% 的統(tǒng)計顯著性聚類和異常值。
只有統(tǒng)計顯著性要素在 COType 字段中具有值。
展開 華東理工陶鑫峰特聘副研究員和林紹梁教授團隊：基于NNTA可控聚合的環(huán)形聚類肽合成與表征
聚類肽是一種新興的的生物材料，其主鏈為聚甘氨酸，氮原子上含有不同的取代基，具有良好的生物相容性和可降解性。N-取代甘氨酸-N-硫代羧酸酐(NNTA)單體合成簡便、易于存儲，其開環(huán)聚合是一種便捷、高效合成聚類肽的方法。NNTA聚合中常用的引發(fā)劑為伯胺，通過常規(guī)胺機理(Normal amine mechanism)，可以制備結(jié)構(gòu)明確的線形聚類肽。而目前關(guān)于NNTA單體通過兩性離子開環(huán)聚合機理(Zwitterionic ring-opening polymerization mechanism)得到環(huán)形聚類肽的研究鮮有報道。
基于上述背景，華東理工大學(xué)陶鑫峰特聘副研究員和林紹梁教授團隊利用有機堿1,8-二氮雜二環(huán)十一碳-7-烯(DBU)作為引發(fā)劑，實現(xiàn)了基于NNTA單體的環(huán)形聚類肽可控合成。DBU引發(fā)的NNTA聚合遵循兩性離子開環(huán)聚合機理，表現(xiàn)出良好的可控性，聚合產(chǎn)率高(>86%)，分子量可控(900~7500 g/mol)，分子量分布較窄(1.13~1.25)。通過1H-NMR、13C-NMR譜圖、MALDI-ToF質(zhì)譜和紅外光譜等表征手段，證明所得聚合產(chǎn)物具有環(huán)形結(jié)構(gòu)，且聚合物鏈上帶有DBU殘基和硫代氨基甲酸酯基團。在MALDI-ToF測試過程中，由于陽離子源CF3COOK的作用，聚類肽會脫去DBU基團，形成純凈的不含引發(fā)劑片段的環(huán)形聚類肽。與芐胺引發(fā)所得的線形聚類肽相比，DBU引發(fā)所得的聚類肽具有更小的流體力學(xué)體積，進一步證明了其環(huán)形結(jié)構(gòu)。擴鏈反應(yīng)表明，加入新單體后聚合反應(yīng)仍可以繼續(xù)進行，產(chǎn)物分子量顯著增加，表明了DBU引發(fā)的NNTA聚合具有活性特征。
展開 
超像素分割，SLIC利用了簡單的聚類（貪婪）算法 ￥29.9
超像素分割，SLIC利用了簡單的聚類（貪婪）算法，初始時，每一個聚類的中心被平均的分布在圖像中，而超像素的個數(shù)，可以基本由這些中心點來決定。每一步迭代，種子像素合并周圍的像素，形成超像素。基于MATLAB平臺，程序已調(diào)通可直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
利用主題聚類(Cluster)產(chǎn)生新的數(shù)據(jù)集--模型和代碼改進
2 代碼改進
geotech-st-cluster.py代碼使用了《LDA Topic Modeling(主題建模): 以Rocscience 2021用戶會議為例》引入的KMeans聚類方法，最初使用的模型是roberta-large-nli-stsb-mean-tokens，在最新的一次試驗中，21M的數(shù)據(jù)文件聚類30個主題共用了大約30分鐘。另一方面已經(jīng)注意到，下面三個模型由于產(chǎn)生的句子嵌入質(zhì)量低已經(jīng)被廢棄:
(1) roberta-large-nli-stsb-mean-tokens
(2) bert-base-nli-mean-tokens
(3) distilbert-base-nli-stsb-mean-tokens
在今后的工作中將不再使用這三個模型。現(xiàn)在改用paraphrase-mpnet-base-v2模型，效果確實比前者要好。這個模型將句子和段落映射到768維的密集向量空間，可用于聚類或語義搜索等任務(wù)。最新的改進使用了下面的Top 3模型：
(1) paraphrase-xlm-r-multilingual-v1
(2) paraphrase-mpnet-base-v2
(3) paraphrase-TinyBERT-L6-v2
其它模型的比較如下所示:
geotech-st-cluster.py的另一個變化是結(jié)果由原來的屏幕輸出改到文件保存，方便查看和編輯。
展開 基于遺傳模擬退火算法的聚類算法-matlab
源碼如下： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %功能：遺傳模擬優(yōu)化初始聚類中心示例 %環(huán)境：Win7，Matlab2015b %Modi: C.S %時間：2022-07-09 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 清空環(huán)境 clc clear all close all tic load X m=size(X,2);% 樣本特征維數(shù) % 中心點范圍[lb;ub] lb=min(X); ub=max(X); %% 模糊C均值聚類參數(shù) % 設(shè)置冪指數(shù)為3，最大迭代次數(shù)為20，目標函數(shù)的終止容限為1e-6 options=[3,20,1e-6]; % 類別數(shù)cn cn=4; %% 模擬退火算法參數(shù) q =0.8; % 冷卻系數(shù) T0=100; % 初始溫度 Tend=99.999; % 終止溫度 %% 定義遺傳算法參數(shù) sizepop=10; %個體數(shù)目(Numbe of individuals) MAXGEN=100; %最大遺傳代數(shù)(Maximum number of generations) NVAR=m*cn; %變量的維數(shù) PRECI=10; %變量的二進制位數(shù)(Precision of variables) pc=0.7; pm=0.01; trace=zeros(NVAR+1,MAXGEN); %建立區(qū)域描述器(Build field descriptor) FieldD=[rep([PRECI],[1,NVAR]);rep([lb;ub],[1,cn]);rep([1;0;1;1],[1
展開 182基于matlab的半監(jiān)督極限學(xué)習(xí)機進行聚類 ￥15.9
基于matlab的半監(jiān)督極限學(xué)習(xí)機進行聚類，基于流形正則化將 ELM 擴展用于半監(jiān)督，三聚類結(jié)果可視化輸出。程序已調(diào)通，可直接運行。
基于變分貝葉斯的數(shù)據(jù)聚類程序 ￥200
自主原創(chuàng)的一個創(chuàng)新性高的matlab程序，實現(xiàn)了數(shù)據(jù)的聚類過程，主要使用了k-means算法和Gaussian Mixture Model (GMM) 結(jié)合 Expectation-Maximization (EM) 算法，以及Variational Bayes EM (VBEM) 算法，程序我附帶了非常詳細的注釋，絕對能看懂。
266 基于matlab的FCM+KFCM模糊C均值聚類分析算法 ￥25.9
基于matlab的FCM+KFCM模糊C均值聚類分析算法，輸入分割對象，對分割對象進行參數(shù)設(shè)置，包括分割類別數(shù)，核參數(shù)。輸出分割結(jié)果。具有GUI操作界面。程序已調(diào)通，可直接運行。
『分享』申請兌換《模糊聚類分析及其應(yīng)用》
模糊聚類分析及其應(yīng)用/現(xiàn)代電子信息工程理論與技術(shù)叢書
· 作者：高新波 著
· 出版社：西安電子科技大學(xué)出版社
· 出版日期：
2004-1-1
· ISBN：7560613012
· 字數(shù)：323000
· 印次：1
· 版次：1
· 紙張：膠版紙
定價：21 元
當(dāng)當(dāng)價：16.6 元
展開 
中國海洋測繪研究趨勢分析
根據(jù)關(guān)鍵詞的關(guān)聯(lián)性，對《海洋測繪》發(fā)文關(guān)鍵詞進行聚類分析，聚類結(jié)果表明平均輪廓值S為0.92，意味著聚類是令人信服的，模塊值Q為0.7，意味著聚類結(jié)構(gòu)顯著。如圖
4所示，《海洋測繪》關(guān)鍵詞可劃分為22個類別，聚類名稱前的數(shù)字越小，表示聚類所包含的關(guān)鍵詞越多。例如聚類第一類別（#0）歸納為數(shù)字地圖，包含的主要關(guān)鍵詞為：電子海圖、紙質(zhì)海圖、海道測量、可用性分析、S-52、國際海圖和生產(chǎn)模式等112個關(guān)鍵詞，該類別主要涉及數(shù)字海圖的生產(chǎn)，與我國海洋測繪的主要目標相一致；又如聚類第八類別（#7）為重力異常，主要包含的關(guān)鍵詞為衛(wèi)星測高、精度分析、海底地形、重力異常、大地水準面、垂線偏差、海面地形、潮汐等78個關(guān)鍵詞，該類別對象主要涉及海洋重力的相關(guān)研究，可為海洋測量提供關(guān)鍵的垂直基準模型。
展開 基于Swarm的城市無人機4D路徑規(guī)劃
A.蟻群算法中基于擁擠機制的聚類算法
首先確定聚類中心，良好的初始聚類中心既能加快算法的收斂速度，又能避免解陷入局部最優(yōu);一種直觀的想法是，從幾個不同的最佳初始解中選擇聚類中心，其他初始解可以根據(jù)它們到聚類中心的距離放入相應(yīng)的聚類中。請注意，每個集群中只有一個中心，并且一個初始解決方案只屬于特定的集群。
這些聚類具有以下特點:雖然一個解決方案可能接近多個聚類中心，但它只屬于中心適應(yīng)度值較小的聚類。此外，聚類的數(shù)量不是預(yù)先確定的，而是由解的適應(yīng)度值決定的。與固定的集群數(shù)量相比，自適應(yīng)的集群數(shù)量可以使每個集群區(qū)別于其他集群。最后，排在前幾個位置的解決方案是不同的，可以成為集群中心。這有利于在以后的迭代過程中獲得更好的解決方案，因為每個集群中至少有一個好的解決方案。
B.基于改進蟻群算法的多路徑規(guī)劃
由于整個群被劃分為一定數(shù)量的聚類，因此基于蟻群算法制定每個聚類的更新策略。蟻群算法雖然在工業(yè)上應(yīng)用于許多優(yōu)化問題，但仍存在容易陷入局部最優(yōu)解和收斂速度較慢的缺點。在蟻群算法的框架下，針對上述缺點進行了改進。這些改進將在描述蟻群算法解決多路徑規(guī)劃問題的步驟時得到重點說明。
其他參數(shù)，如antsNA的數(shù)量，最大迭代次數(shù)simax，有效因子α，啟發(fā)式因子β，信息素矩陣τ，信息素常數(shù)q和信息素蒸發(fā)ρ，也需要初始化。注意信息素矩陣τ的大小與記錄路徑影響的搜索空間相同。
展開 北科大姜乃生、LSU張東輝等《JACS》：通過側(cè)鏈支化調(diào)節(jié)嵌段共聚類肽的溶液自組裝
聚類肽（polypeptoid），一類新興的仿生高分子材料，具有優(yōu)良的分子可設(shè)計性、生物相容性、生物活性等特點，受到了科學(xué)界的廣泛關(guān)注。近年來的研究表明，嵌段共聚類肽能夠通過微相分離和自組裝形成形貌各異的納米結(jié)構(gòu)，在分子識別、生物成像、基因或藥物遞送載體等生物醫(yī)用領(lǐng)域有著潛在的應(yīng)用價值。值得一提的是，不同于聚肽，聚類肽的側(cè)鏈基團取代了聚甘氨酸主鏈上的氫，消除了氫鍵相互作用，因此其微相分離和自組裝行為可以通過改變側(cè)鏈取代基進行調(diào)控。例如，通過引入具有長烷基側(cè)鏈的聚類肽嵌段，組成線團-結(jié)晶型兩嵌段共聚物，可以引發(fā)其在溶液中的結(jié)晶驅(qū)動自組裝，獲得納米纖維、納米片、以及結(jié)構(gòu)更復(fù)雜的聚類肽自組裝體。
近日，針對如何有效調(diào)控兩嵌段共聚類肽的溶液自組裝這一問題，北京科技大學(xué)姜乃生教授、美國路易斯安那州立大學(xué)（LSU）張東輝教授課題組共同合作，以聚（N-甲基甘氨酸）-b-聚（N-辛基甘氨酸）（PNMG-b-PNOG）、聚（N-甲基甘氨酸）-b-聚（N-（2-乙基己基）甘氨酸）（PNMG-b-PNEHG）為模型體系，系統(tǒng)研究了側(cè)鏈支化結(jié)構(gòu)對聚類肽的溶液自組裝結(jié)構(gòu)和過程的影響。相關(guān)研究成果以“Modulating the Molecular Geometry and Solution Self-Assembly of Amphiphilic Polypeptoid Block Copolymers by Side Chain Branching Pattern”為題發(fā)表在《Journal of the American Chemical Society》上。
展開 關(guān)于“人工智能與機器學(xué)習(xí)”python-深度學(xué)習(xí)
1.無監(jiān)督學(xué)習(xí)之聚類算法
（1）聚類的基本概念
（2）聚類的評價
（3）扁平聚類及 k-Means、k-Means++算法
（4）層次聚類及 HAC 算法
（5）其他聚類算法(DBSCAN/SOM/譜聚類)
代碼和案例實踐：
1.鳶尾花聚類分析
2.社交網(wǎng)絡(luò)人群分析
3.銀行客戶分組與畫像
第
六
節(jié)
卷積神經(jīng)網(wǎng)絡(luò)CNN
1.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積
2.池化，激活函數(shù)，反向傳播
3.目標分類與識別、目標檢測與追蹤
4.AlexNet、VGGNet、GoogleLeNet
5.Inception-V3/V4
6.ResNet、DenseNet
代碼和案例實踐：
1．?dāng)?shù)字圖片分類
2．卷積核與特征提取
3．以圖搜圖
4．人證合一
5．卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗分享
第
七
節(jié)
圖像視頻的定位與識別
1.視頻關(guān)鍵幀處理
2.物體檢測與定位
3.RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN
4.YOLO
5.FaceNet
代碼和案例實踐：
1．遷移學(xué)習(xí)
2．人臉檢測
3．OCR字體定位和識別
4．睿客識云
5．氣象識別
第
八
節(jié)
循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
1.RNN基本原理
2.LSTM、GRU
3.Attention
4.CNN+LSTM模型
5.Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
6.編碼器與解碼器結(jié)構(gòu)
7.特征提取：word2vec
8.Seq2seq模型
展開 