非球形聚类

Mie 模式电场增强的 Matlab 仿真代码还挺好用的，尤其是你要研究球形介质内部电场分布的时候。MieSphere类封装得比较清晰，初始化参数一目了然：波长、半径、折射率、计算区域全都能配上，基本覆盖了大多数电磁仿真的场景。 调用render函数后，能直接生成球体在每个网格点上的电场增强值，渲染效果也不错，输出结构清楚，用来做数据或者图形展示都比较方便。想渲染内部、外部电场都行，用render_outside参数控制下就可以，蛮灵活的。 代码出自 ETH Zürich 的 Optical Nanomaterials Group，还引用了Nature Photonics上的一篇论文，理论支持

聚类分析是机器学习和数据挖掘领域重要技术之一，与监督学习不同，聚类分析无需类别或标签指导，因此如何选择适当的聚类个数一直是难点。为解决这一问题，提出了一种基于Dirichlet过程混合模型的新型聚类算法，采用collapsed Gibbs采样算法对模型参数进行估计。新算法基于非参数贝叶斯模型框架，通过连续采样优化模型参数，实现自适应聚类个数。在人工合成和真实数据集上的实验表明，该算法表现出良好的聚类效果。

K-平均聚类，虽然在多情况下都挺好用，但你会遇到它在非球状数据时效果不太理想的情况。你知道，K-均值的工作方式要求数据点得像圆球一样，结果导致一些形状不规则的数据聚类表现不佳。所以，K-均值这种方式比较适合那种形状规整的群体。如果你需要一些复杂的非球状数据，得考虑一些别的聚类算法，比如 DBSCAN。，如果你的数据集是规则的，K-均值依然是一个不错的选择，尤其是在执行速度方面，表现蛮不错的哦。

这是一个描述地球椭球形状的类。GPS卫星通常使用WGS84椭球体。该类实现了笛卡尔坐标和大地坐标之间的转换，反之亦然。

这个存储库包含了Matlab实现的球形运动结构管道的关键步骤。随着我们对代码进行清理和注释，代码库将逐步更新。以下是关键功能的列表，我们将根据需要添加更多功能：SnP.m 实现了球形 n 点问题的三种解决方案，包括硬约束、软约束和不受约束的方法。每种方法都具有自己的参数设置：[ R_est, t_est ] = SnP( x, X, method, niter, gamma )，其中 x 是包含球形图像点单位矢量的 3 x n 矩阵，X 是包含对应的 3D 世界点的 3 x n 矩阵。如果您在研究中使用此代码，请引用以下论文：H. Guan 和 WAP Smith。使用 von Mises-F

球形卷积网络在学习 3D 形状的特征表示上有优势，尤其在旋转不变性方面表现突出。这个 Matlab 代码包就是基于这个理念，利用了跨域嵌入将 2D 图像映射到球形 CNN 潜在空间。最酷的是，这个方法无需额外的任务特定监督，就能完成像姿态估计和新颖视图合成等任务。代码的主要部分是model.py，这里面有一个典型的编码器-解码器架构，能让你从 2D 图像到球形嵌入，或反向操作。这个代码挺适合那些需要 3D 物体旋转的应用，比如增强现实（AR）或计算机视觉项目，操作上也蛮，能帮你快速上手。只是训练管道和数据集目前不公开，但模型本身还是挺值得一试的。

此Matlab代码用于旋转球形纳米压痕应力应变分析（SPIN）。它简化了零点校正和压痕应力-应变曲线的确定，提供了不确定性估计。用户可以从每个测试中选择代表性答案，并查看多个测试的统计信息。主要功能包括加载数据、数据分析、绘图和保存结果。

包含以下文件：slinspace.m - 用于在球形多段线顶点定义的大圆上插入等距点的函数。此函数类似于Matlab中的linspace，但专为球面设计。test_slinspace - slinspace的简单单元测试。调用该函数并以3D形式绘制结果。

基于 KL 散度的驾驶习惯聚类方法，挺适合搞驾驶行为的朋友参考一下。它的思路是把每位驾驶员的数据看成一个高斯混合模型（GMM），用EM 算法拟合，再用蒙特卡洛方法算出不同模型之间的KL 散度。你能想象吗？84 个司机的数据，就这么被聚成了几个驾驶风格的“标签”。

δ-开放集的聚类思路还蛮有意思的，尤其适合那种形状不规则、数据分布不太平均的复杂数据集。你只要输入一个δ值，它就能帮你把数据切得细致，还能自动识别噪声点，挺智能的。 不光能高维数据，在 Olivetti 人脸数据库上的表现也不错。比起那些只能球形簇的传统方法，比如 K-means，它更像是“拓扑流派”的聚类方式，玩法不一样。 哦对了，它还有个升级版，能搞定那种密度差别大的数据集。如果你平时喜欢玩模式识别、数据挖掘、聚类这一类的算法实验，可以试试它，是在人脸、图像、或者非结构化数据时。 有需要的话，下面这些资源你也可以顺手看看，有代码也有讲义，挺全的： 聚类工具-MATLAB 模式识别应用