基于模糊C均值的数据流入侵检测算法

针对数据在性态和类属方面存在不确定性的特点,提出一种基于模糊C均值聚类的数据流入侵检测算法,该算法首先利用增量聚类得到网络数据的概要信息和类数,然后利用模糊C均值聚类算法对获取的数据特征进行聚类。实验结果表明该算法可以有效检测数据流入侵。     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。     

基于优化神经网络与聚类的加权定位算法

针对RSSI测距误差较大的现象，为进一步提高加权质心定位算法精度，提出了一种基于MEA-BP神经网络与模糊C均值聚类的加权定位算法。该算法首先引入思维进化算法与BP神经网络以优化测距信息；采用三边测量法得到多个初始定位结果并组成集合，经模糊C均值聚类处理后，使用加权质心定位算法得到每个聚类簇针对于未知节点的估计位置；将每个聚类簇中数据点的数量视为权值，再次使用加权质心定位算法，得到未知节点的最终定位坐标。仿真结果表明，该算法显著降低了二维场景中无线传感器网络定位误差。     

基于WFCM算法在MRI图像分割中的应用

模糊C均值聚类(FCM)算法是一种基于非监督聚类算法。样本加权模糊C均值聚类(WFCM)算法是FCM算法的改进,该算法能够明显提高收敛速度和聚类的准确性。无论是FCM算法还是WFCM算法,对噪声都相对敏感,而且聚类数目仍然需要人工确定。在此提出一种改进算法,首先通过偏微分方程(PDE)降噪算法对原始脑MRI医学图像进行处理;其次利用聚类有效性确定最佳聚类数目,对WFCM算法进行改进;最后利用本文改进算法对图像进行聚类分割。实验表明,该方法是一种具有自动分类能力、抗噪性较好的模糊聚类图像分割算法。     

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路:改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS):首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

基于模糊聚类的SAR图像变化检测

利用两种模糊聚类算法即模糊C均值聚类(FCM)和Gustafson Kessel聚类(GKC),对SAR图像进行变化检测。差异图是根据不同时相图像的灰度值得到的,为了验证算法的有效性,实验选用两个不同地区的多时相图像,实验结果比较现存的马尔科夫随机场(MRF)和神经网络算法,不但耗用时间短,而且无需变化类和未变化类像素的任何先验分布信息。     

一种自适应的模糊C均值聚类算法

本文首先介绍了模糊C均值聚类算法及其不足。在模糊C均值聚类算法的基础上,结合有效性函数,提出了一种自动聚类算法——自适应的模糊C均值聚类算法,并建立了自适应的模糊C均值聚类算法的研究模型。最后,对改进算法用MATLAB进行编程实现,并通过多组数据集进行实验测试,对产生的多种实验结果进行分析,验证自适应的模糊C均值聚类算法可以实现自动类别数的判定。     

基于模糊权和有效性函数的演化聚类算法

本文改进了Sheng的权和有效性函数,将XB、PE、PC和PBMF等模糊聚类有效性函数集成为一种新的模糊聚类有效性度量函数—模糊权和有效性函数FWSVF,从而提高了聚类有效性函数的性能.为了有效的实现聚类,将混合策略演化算法与传统的模糊C均值算法(FCM)相结合,将改进的模糊权和有效性指标作为适应度函数,提出了一种混合策略演化聚类算法MSECA.人工数据集和真实数据集的仿真实验表明,MSECA算法可以正确发现聚类簇的数量,避免了局部极值问题,比其他算法具有更好的性能.     

模糊聚类的有效性分析

聚类算法在数据分析与图象处理等许多方面应用十分广泛,尤其是模糊C均值(FCM)聚类算法受到人们的普遍重视。象其它聚类算法一样,进行FCM聚类时,需事先确定一些参数,如:聚类类别数C模糊加权指数m、向量范数等。如何确定数据的最佳分类,使之能准确真实地反映实际数据的内部结构,这就是聚类的有效性问题。本文在实验的基础上对FCM聚类算法进行有效性分析,并提出了一个能表征FCM聚类有效性的启发性函数,得到了一些有用结论。     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑。该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平衡细节保留和去噪,从而获得更加准确的分割结果。实验选取人工合成图像、交通标志图像和遥感图像3类数据测试聚类算法性能,结果表明,RSFCM在图像分割过程中能有效地抑制椒盐噪声和高斯噪声引起的类内异构及类间同构问题,能提高图像的像素可分性,并有效地保留了图像的边缘细节。     

基于粗糙集和模糊聚类的超谱波段约简

由于超光谱图像数据量大,维数高给分类识别处理带来不便,该文提出一种可行有效的波段约简方法.通过FCM聚类将原始波段划分为若干等价波段组,然后根据最大隶属度原则只保留每组中具有代表性的波段,达到维数减小的目的。其中,模糊聚类中相似度的定义是基于超谱相邻波段间的相关性,利用粗糙集理论中的处理属性依赖性的方法合理表达出来。实验表明,这一方法既有效地缩减了高维数据,又尽可能少地损失有用信息,保持了原始波段的分类能力。     

基于二维直方图与FCM相结合的图像快速分割方法

基于二维直方图的模糊聚类分割方法,可以有效地抑制噪声。但是FCM(模糊C均值)算法用于图像聚类时最大的缺点是运算开销太大,进而限制了该算法在图像分割中的应用。通过构造合理的二维直方图,并筛选出符合规定条件的元素作为聚类样本,再结合FCM算法进行图像分割。实验结果表明该方法具有与基于一维直方图的模糊聚类分割方法速度相近,但却比其分割精度高很多的良好特点。     

基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法:FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS 的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM )算法。     

距离决策下的模糊聚类集成模型

模糊聚类是近年来使用的一类性能较为优越的聚类算法,但该类算法对初始聚类中心敏感且对边界样本的聚类结果不够准确。为了提高聚类准确性、稳定性,该文通过联合多个模糊聚类结果,提出一种距离决策下的模糊聚类集成模型。首先,利用模糊C均值(FCM)算法对数据样本进行多次聚类,得到相应的隶属度矩阵。然后,提出一种新的距离决策方法,充分利用得到的隶属度关系构建一个累积距离矩阵。最后,将距离矩阵引入密度峰值(DP)算法中,利用改进的DP算法进行聚类集成以获取最终聚类结果。在UCI机器学习库中选择9个数据集进行测试,实验结果表明,相比经典的聚类集成模型,该文提出的聚类集成模型效果更佳。     

基于光学和SAR遥感图像融合的洪灾区域检测方法

基于光学和合成孔径雷达(SAR)图像融合的洪灾区域检测方法可以全天候、高时效地检测洪灾区域。由于SAR图像中存在大量随机分布的相干斑噪声，传统洪灾区域检测方法的检测结果存在较高的虚警率。该文在模糊C均值聚类方法(FCM)的基础上提出了分级聚类算法(H-FCM)，该方法将洪灾后的SAR图像与洪灾前的光学图像融合。基于融合图像，该方法利用提出的分级聚类模型获得洪灾区域的初步检测结果。此外，该算法在利用所提出的区域生长算法获得洪灾前河流位置后，将其作为初步检测结果的空间约束，进一步筛除疑似洪灾区域，并显著地提升了检测性能。该文的实验数据包括1999年英国格洛斯特洪灾前后的遥感图像和2019年中国南昌洪灾前后的遥感图像。通过对比实验，H-FCM算法的有效性得到验证。      

结合关联规则与FCM的用户聚类改进

结合关联规则与模糊C均值聚类(Fuzzy C-Means,FCM)进行用户聚类,首先将用户访问事务集构造出页面关联矩阵,以此来计算用户浏览路径之间的相似程度,接着利用FCM算法对用户进行聚类.通过与传统聚类比较的实验证明,此方法是有效的且更符合实际.     

一种改进的区间型不确定数据模糊聚类方法

针对区间型不确定数据的特点,该文提出一种改进的模糊C均值聚类算法(IU-IFCM)。首先对区间型数据进行特征变换,由p维特征映射成由2p维特征组成的实数据,然后考虑区间中值与区间大小关系,设计一种样本距离计算方法,通过模糊C均值实现对区间型样本聚类。理论分析与对比实验表明,该算法的划分系数(PC)及正确等级(CR)值比其它方法平均提高10%以上,表明有更好的聚类精度,对当前大数据环境下不确定数据的分类提供了一种新的解决方案。     

两阶段模糊C-均值聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。