基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。     

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。     

传感器网络中航迹关联的加权模糊聚类算法

提出一种基于特征加权的模糊聚类算法用于传感器网络中的航迹关联.该方法首先将分布式多传感器获得的航迹进行数据同化,然后通过同步采样将所有航迹映射为高维空间中的一组点集,最后通过特征加权的模糊c均值(FCM)聚类算法实现航迹的分类关联和信息融合.在聚类算法中通过ReliefF算法实现了特征权值的自动确定,自适应地考虑了不同时刻航迹位置对数据关联的不同影响.实验结果表明本文提出的航迹关联算法不仅具有良好的关联效果,而且通过特征的自适应加权提高了信息融合质量.     

基于核鲁棒k-均值的模糊支持向量机算法

支持向量机对训练数据中的噪声敏感,为了解决这一问题,本文提出基于核鲁棒k-均值算法的模糊支持向量机算法。算法首先在每类训练样本上应用核鲁棒k-均值算法,得到每个样本的模糊隶属度,将该隶属度赋予训练样本,得到模糊训练集,然后在模糊训练集上训练模糊支持向量机,得到分类决策函数。实验表明,对于带噪声的训练样本,本文的算法能够为噪声样本赋予小的隶属度,提高分类准确率。     

截集型特征加权模糊C-均值聚类算法

已有的特征加权型模糊C-均值（WFCM）聚类算法可以有效地提取数据的相关特征,WFCM存在的主要问题是收敛速度慢和对噪声敏感。借助模糊集的截集方式对WFCM的隶属度值进行修改,提出截集型特征加权模糊C-均值聚类算法：SWFCM。SWFCM不仅具有良好的特征提取能力,而且具有收敛速度快和对噪声稳健的优点。实验结果表明,SWFCM的总体性能优于原有的WFCM聚类算法和截集模糊C一均值聚类算法。     

一种模糊-证据kNN分类方法

 已有的以k-最近邻(k Nearest Neighbor,kNN)规则为核心的分类算法,如模糊kNN(Fuzzy kNN,FkNN)和证据kNN (Evidential kNN,EkNN)等,存在着两个问题:无法区别出样本特征的差异以及忽略了邻居距训练样本类中心距离的不同所带来的影响.为此,本文提出一种模糊-证据kNN算法.首先,利用特征的模糊熵值确定每个特征的权重,基于加权欧氏距离选取k个邻居;然后,利用邻居的信息熵区别对待邻居并结合FkNN在表示信息和EkNN在融合决策方面的优势,采取先模糊化再融合的方法确定待分类样本的类别.本文的方法在UCI标准数据集上进行了测试,结果表明该方法优于已有算法.     

基于模糊K近邻的模糊支持向量机的语音情感识别

基于模糊K近邻算法对模糊支持向量机中模糊类别隶属度的计算进行了改进,将距离与样本之间的关系相结合进行加权弥补了FSVM算法的不足.引入CCA算法对语音特征矢量进行降维处理,有效减小了特征之间的冗余信息,通过识别实验对传统的SVM、FSVM以及基于模糊K近邻的FSVM的算法性能进行了比较和分析.     

基于局部不变特征与Camshift复杂环境跟踪技术研究

针对城市道路交通中广泛存在由于车辆形变、雾霾天气、背景噪声以及光照变化、遮挡干扰等复杂环境导致传统方法跟踪失败的问题,提出在连续自适应均值漂移算法的基础上融合HSV颜色模型、局部不变特征的城市道路交通车辆目标跟踪新算法。新算法通过建立基于颜色、灰度的多特征模板,利用统计分析学样本主成分分析降维提高特征匹配的效率,定义并计算加权特征在空间上的分布,使得算法对复杂环境亦能较好的应对,保证跟踪稳定、准确。实验表明新算法识别率高、实时性好,抗环境干扰鲁棒性强。     

基于统计特征加权的模糊聚类方法及其应用

从传统目标函数聚类方法的思想出发,在基于样本集统计特征的基础上,提出基于统计特征加权模糊C-均值聚类方法,并提出基于统计特征的权值计算方法.分别利用图像的一雏灰度特征与一维灰度统计特征加权和二维灰度特征与二维灰度统计特征加权,将两种特征加权的模糊聚类方法应用于灰度图像二值化,并将该方法的处理结果与其他二值化方法处理结果进行详细的比较.实验结果表明,该方法能够有效地实现图像的二值化.     

基于克隆算法的网络结构聚类新算法

基于目标函数的聚类算法是目前应用最为广泛的聚类分析方法之一.然而这类算法都需要类别数和聚类原型的先验知识,且只能分析具有相同原型的数值型数据.此外这类算法还存在对初始化敏感,易陷入局部极值点等弱点.为此,本文提出一种基于克隆算法的网络结构聚类新算法以实现聚类分析的自动化.由于新算法将克隆选择与禁忌克隆相结合,使网络既具有免疫的特异性又具有免疫的耐受性,通过分析网络神经元的最小生成树,能够快速准确地获得类别数以及相关的分类信息.对各种类型的数据集的测试结果均表明,本文提出的新算法对于处理具有混和特征的数据集聚类分析问题是相当便捷有效的.     

基于核距离的直觉模糊c均值聚类算法

针对现有直觉模糊c均值聚类算法无法发现非凸聚类结构的缺陷,提出了一种基于核化距离的直觉模糊c均值聚类算法。算法在定义了基于核的直觉模糊欧式距离基础上,通过把聚类样本映射到高维特征空间,使原来没有显现的特征突现出来,从而能够更好地聚类。实验选择一组人工数据集及一组UCI数据集测试了本文算法,并将其与五种经典的聚类算法进行了比较。实验结果充分表明了该算法的有效性及优越性。     

一种结合贪心选择和特征加权的高维数据聚类算法

为解决传统聚类算法无法对高维数据聚类的问题,文中提出了一种结合贪心选择和特征加权的TC-Mean shift高维数据聚类算法。通过对一维数据进行聚类,获得一维数据的聚类结果,再通过加权添加维度聚类,最终获得所有维度数据的聚类,实现对高维数据的聚类。测试结果表明,该算法能够准确地对稀疏的高维数据样本进行聚类,能够处理各种维度的数据,具有良好的实际应用价值。     

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。     

基于特征加权和非负矩阵分解的多视角聚类算法

为了在多视角聚类过程中同时考虑特征权重和数据高维性问题,提出一种基于特征加权和非负矩阵分解的多视角聚类算法(Multiview Clustering Algorithm based on Feature Weighting and Non-negative Matrix Factorization,FWNMF-MC).FWNMF-MC算法根据每个视角中每个特征在聚类过程中的重要性,自动赋予不同的权值.通过将每个视角空间中的特征矩阵分解为基矩阵与系数矩阵的乘积,将多视角数据从高维空间映射到低维空间.为了有效利用每个视角信息挖掘聚簇结构,最大化每个视角在低维空间的一致性.最后实验结果表明FWNMF-MC算法的聚类效果明显优于已有的4种有代表性的多视角聚类算法.     

基于时间序列聚类的多雷达数据融合

针对多雷达数据融合问题，提出了基于时间序列的聚类算法，用于实现航迹相关，即以时间序列为基础把聚类模型转化为基于特征匹配的聚类算法。进一步考虑到多目标密集时，部分来自不同目标的数据可能比来自同一目标的数据更接近，易导致关联错误，为此提出了基于时间序列的模糊聚类算法。对上述两种算法的聚类结果，应用卡尔曼滤波器实现滤波跟踪，在不同的情况下仿真后发现，在跟踪目标较少且相互位置较远的情况下，两种算法均有效，在跟踪目标较多且相互位置靠近的情况下，基于时间序列的模糊聚类算法更有效。     

Grey relational analysis based approach for data clustering

This paper generalises the concept of grey relational analysis to develop a technique, called grey relational pattern analysis, for analysing the similarity between given patterns. Based on this technique, a clustering algorithm is proposed for finding cluster centres of a given data set. This approach can be categorised as an unsupervised clustering algorithm because it does not need predetermination of appropriate cluster centres in the initialisation. The problem of determining the optimal number of clusters and optimal locations of cluster centres is also considered. Finally, the approach is used to solve several data clustering problems as examples. In each example, the performance of the proposed algorithm is compared with other well-known algorithms such as the fuzzy c-means method and the hard c-means method. Simulation results demonstrate the effectiveness and feasibility of the proposed method.     

高阶异构数据模糊联合聚类算法

为了更有效地分析聚簇重叠部分高阶异构数据的聚簇结果,提出了一种高阶异构数据模糊联合聚类（HFCC）算法,该算法最小化每个特征空间中对象与聚簇中心的加权距离。推导出对象隶属度和特征权重的迭代更新公式,设计出聚类过程的迭代算法,并且从理论上证明了该迭代算法的收敛性。另外,通过泛化XB指标,提出适用于评估高阶异构数据聚类质量的指标GXB,用于判断聚簇数目。实验表明,HFCC算法能够有效探测数据内部隐藏的重叠聚簇结构,并且HFCC算法聚类效果明显优于5种有代表性的硬划分算法,此外GXB指标能够有效判定高阶异构数据的聚簇数目。     

基于自适应增量学习的时间序列模糊聚类算法

针对现存可用于时间序列的增量式模糊聚类算法往往需要设置多个控制参数的问题,本文提出了一种基于自适应增量学习的时间序列模糊聚类算法.该算法首先继承上一次聚类得到的簇结构信息以初始化当前聚类进程,然后在无需设置参数的情况下自适应地搜索当前数据块中的离群样本,并自动从离群样本创建新簇,最后检查空簇识别标识确定是否需要移除部分簇以保证后续聚类过程的效率.实验结果表明所提算法对等长和不等长时间序列均具有良好的聚类准确性及运行效率.     

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。