基于SFLA-FCM聚类的城市交通状态判别研究*

针对城市道路交通状态判别的问题,提出了一种混合蛙跳算法（SFLA）与模糊C-均值算法（FCM）相结合的SFLA-FCM聚类算法。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。将该算法用于城市交通流数据的聚类分析结果表明,与单一FCM聚类算法相比,SFLA-FCM聚类算法更准确,效果更佳,能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通诱导策略的制定提供依据。     

改进的FCM聚类在交通时段自动划分中的应用

针对传统交通时段划分方法的局限性,提出了一种混合蛙跳算法(SFLA)与模糊C均值算法(FCM)有机结合的交通时段划分方法SFLA-FCM。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。实验结果表明,与单一FCM法相比,SFLA-FCM聚类更准确,效果更佳,对解决城市交通时段的自动划分问题是可行、有效的。     

基于SFLA和FCM的Web搜索结果聚类

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合改进的混合蛙跳算法（SFLA）的模糊C均值算法（FCM）用于Web搜索结果的聚类。新算法中,使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程。改进的SFLA通过混沌搜索优化初始解,变异操作生成新个体,并设计了一种新的搜索策略,有效地提高了算法寻优能力。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类精度,在全局寻优能力方面具有优势。     

云环境下基于Canopy聚类的FCM算法研究

FCM算法是目前广泛使用的算法之一。,针对FCM聚类质量和收敛速度依赖于初始聚类中心的问题,结合Canopy聚类算法能够粗略快速地对数据集进行聚类的优点,提出了一种基于Canopy聚类的FCM算法。该算法通过将Canopy算法快速获取到的聚类中心作为FCM算法的输入来加快FCM算法收敛速度。并在云环境下设计了其MapReduce化方案,实验结果表明,MapReduce化的基于Canopy聚类的FCM算法比MapReduce化的FCM聚类算法具有更好的聚类质量和运行速度。     

结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

基于混沌和动态变异蛙跳的模糊聚类算法

针对模糊C-均值FCM(Fuzzy C-Means)聚类算法易陷入局部最优解,对初始值敏感的缺点。提出基于混沌和动态变异蛙跳SFLA(shuffled frog leaping algorithm)的FCM算法。该算法先用混沌的Tent序列初始化青蛙群体以增强群体的多样性,提高初始解的质量;并根据青蛙的适应度方差值选择相应的变异概率。再将改进后的蛙跳算法优化FCM算法,最后求取全局最优。人工数据及经典数据集的仿真结果表明,该算法(CMSFLA-FCM)与SMSFLA-FCM、SFLA-FCM和FCM聚类算法相比,寻优能力更强,聚类效果更优。     

基于改进的粒子群优化的模糊C-均值聚类算法

利用粒子群优化（PSO）算法全局寻优的特点,很大程度上避免了模糊C-均值聚类（FCM）算法对初值敏感、易陷入局部收敛的缺陷.利用收敛速度快的K均值聚类法得到的聚类中心作为PSO算法初始聚类中心的参考,提出一种新的模糊C-均值聚类算法Improved PSO FCM.实验结果表明,论文算法提高了FCM的搜索能力,聚类更为准确,效率更高.     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。     

SFLA-FCM聚类算法在化工过程中的应用

针对化工生产过程的安全性问题,提出基于混合蛙跳(shuffled frog leaping algorithm,SFLA)的FCM聚类算法。该算法引入寻优能力强的SFLA求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效避免了F C M算法易陷入局部最优和对初始值敏感的缺点。将该算法用于化工生产状态数据的聚类分析,实验结果表明,本文算法与F C M聚类算法相比,提高了算法的寻优能力,聚类效果更好;并且能够快速、客观地对化工生产过程的状态进行判别,为其安全运行提供了保障。     

结合蚁群聚类算法的模糊 C 均值聚类

模糊 C 均值(FCM)聚类算法采取随机选取聚类中心的方法,这种方法使得 FCM 算法在局部范围内容易获得最优解,但在全局范围内效果较差,且 FCM 算法中聚类簇的个数一般需要人为设定.面对上述种种问题,文中将蚁群聚类算法和 FCM 聚类算法进行结合,获得了一种改进的 FCM 聚类算法.该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给 FCM 算法进行再次聚类.利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷.经过实验验证,该算法较一般 FCM 算法具有更好的性能.     

融合KNN优化的密度峰值和FCM聚类算法

针对模糊C均值（Fuzzy C-Means,FCM）聚类算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近（KNN）优化的密度峰值（DPC）算法和FCM相结合的融合聚类算法（KDPC-FCM）。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。在多个UCI数据集、单个人造数据集、多种基准数据集和Geolife项目中的6个较大规模数据集上的实验结果表明,改进后的新算法与传统FCM算法、DSFCM算法对比,有着更好的抗噪性、聚类效果和更快的全局收敛速度,证明了新算法的可行性和有效性。     

使用均值距离与关联性标记的并行OPTICS算法

针对大数据环境下传统并行密度聚类算法中存在的数据划分不合理,聚类结果准确度不高,结果受参数影响较大以及并行效率低等问题,提出一种MapReduce下使用均值距离与关联性标记的并行OPTICS算法——POMDRM-MR。算法使用一种基于维度稀疏度的减少边界点划分策略（DS-PRBP）,划分数据集;针对各个分区,提出标记点排序识别簇算法（MOPTICS）,构建数据点与核心点之间的关联性,并标记数据点迭代次数,在距离度量中,使用领域均值距离策略（FMD）,计算数据点的领域均值距离,代替可达距离排序,输出关联性标记序列;最后结合重排序序列提取簇算法（REC）,对输出序列进行二次排序并提取簇,提高算法局部聚类的准确性和稳定性;在合并全局簇时,算法提出边界密度筛选策略（BD-FLC）,计算筛选密度相近局部簇;又基于n叉树的并集型合并与MapReduce模型,提出并行局部簇合并算法（MCNT-MR）,加快局部簇收敛,并行合并局部簇,提升全局簇合并效率。对照实验表明,POMDRM-MR算法聚类效果更佳,且在大规模数据集下算法的并行化性能更好。     

基于量子粒子群优化的改进的模糊C-均值聚类算法

模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法（QPSO-FCM-CD）具有良好的性能。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于MapReduce的FCM聚类集成算法

针对传统的聚类集成算法难以高效地处理海量数据的聚类分析问题,提出一种基于MapReduce的并行FCM聚类集成算法。算法利用随机初始聚心来获取具有差异化的聚类成员,通过建立聚类成员簇间OVERLAP矩阵来寻找逻辑等价簇,最后利用投票法共享聚类成员中数据对象的分类情况得出最终的聚类结果。实验证明,该算法具有良好的精确度,加速比和扩展性,具有处理较大规模数据集的能力。     

基于类间极大化的PCM聚类技术的图像分割方法

在图像分割的多种方法中,模糊C均值（FCM）聚类是最简单有效的。可能性C-均值算法（PCM）作为FCM的同类算法具有更佳的聚类性能和概率解释性,但无论是FCM还是PCM均受隶属度的约束影响使其对噪声点和野值点较为敏感。针对以上问题,提出了一种新的称之为类间极大化的PCM算法（MPCM）聚类算法。该算法考虑了对类间的惩罚,通过调控参数[λ],拉大类中心之间的距离,实现图像中像素点的最佳分类。给出了人工合成纹理图像、真实图像以及带有椒盐噪声的真实图像的实验,结果表明算法在图像分割效果上优于传统的聚类分析算法。     

马尔可夫随机场约束下的PCM图像分割算法

与模糊c均值（FCM）算法相比较,可能性C均值（PCM）聚类算法具有更好的抗干扰能力。但PCM聚类算法对初始化条件很敏感,在聚类的过程中很容易导致聚类结果一致性,并且没有考虑到像素的空间信息,用在图像分割尤其是多目标图像分割上效果极不稳定。在PCM算法的基础上,利用Markov随机场中的邻域关系属性,引入先验空间约束信息,建立包含灰度信息与空间信息的新聚类目标函数,提出马尔可夫随机场与PCM聚类算法相融合的图像分割新算法（MP．CM算法）。实验结果表明,在多目标图像分割上利用MPCM算法可以取得比PCM更好的分割效果。     

基于PAM和均匀设计的并行粒子群优化算法

聚类技术是数据挖掘中的一个重要方法,PAM（Partitioning Around Medoids）是基于分区的聚类算法的一种,它试图将[n]个数据对象分成[k]个部分。在并行粒子群PSO（Particle Swarm Optimization）算法中,需要划分整个种群为几个相互不重叠的子种群。因此,引入PAM来划分整个种群。通过聚类,相同子种群的粒子相对集中,从而能够较容易地相互学习。这使得有限的时间能够花费在最有效的搜索上,以便提高算法的搜索效率。为了均匀地探测整个解空间,引入均匀设计来产生初始种群,使种群成员均匀地分散在可行解空间中。进化过程中,均匀设计也被引入来替换种群中的较差个体。提出基于PAM和均匀设计的并行粒子群算法,它结合并充分利用了二者的优点。对几个测试问题的实验结果证明,提出的算法比传统的并行粒子群算法具有更高的性能和更好的收敛准确性。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。