RisingFan的博客

本文介绍了k-均值聚类算法的原理与实现。该算法通过最小化样本点到聚类中心距离的平方和进行分类。算法步骤包括：初始化k个聚类中心，计算样本点距离并分类，更新聚类中心，迭代直至收敛。文中给出了基于OpenGL的C++实现代码，生成了50个随机点并成功聚类为两类，最终输出聚类中心坐标和各类样本数量。实现效果图展示了红色样本点和蓝色圆形聚类范围的分布情况。

本文介绍了感知器算法的原理及实现方法。该算法通过迭代训练样本集来寻找最优权向量，能够对两类线性可分的模式进行分类。算法步骤包括：初始化权向量、迭代修正权向量（分类错误时调整，正确时保持）、直至所有样本正确分类。文章提供了基于OpenGL的C++实现代码，包含样本随机生成、权向量计算及可视化分类界面等功能。代码展示了在二维特征空间中，感知器算法如何通过不断调整权向量来找到最优分类边界。实现结果表明该算法能有效区分两类随机生成的数据点，并输出最终权向量值。