基于并行小生境技术优化的智能模糊聚类图像分割算法

利用PBM模糊聚类有效性函数以图像特征空间为搜索空间,实现有效性函数的全局寻优,用并行小生境技术解决粒子群(PSO)算法的早收敛问题,优化聚类的全局收敛性能,实现有效聚类数目与聚类中心的并行寻优。通过对遥感图像分割的实验证明,与传统粒子优化群算法的分割结果相比,本文算法拥有更高的有效性且分割效果更优。     

基于粒子群优化的直觉模糊核聚类算法研究

针对现有基于核方法的直觉模糊聚类算法对初始值敏感、收敛速度慢等缺陷,利用粒子群优化算法全局搜索能力强、收敛速度快的优势,对直觉模糊核聚类算法的初始聚类中心进行优化,并提出了一种基于粒子群优化的直觉模糊核聚类算法。该算法在提升聚类性能的同时,有效增强了算法的收敛速度。在实验阶段,采用4组标准数据集对该算法进行了分类实验及有效性测试,并将其与模糊c均值聚类算法及直觉模糊c均值聚类算法的分类效果及运行时间进行对比,实验结果充分表明了该算法的有效性及优越性。     

粒子群优化的自适应区间二型模糊聚类算法

针对区间二型模糊聚类算法对聚类中心和模糊指数敏感的问题提出粒子群优化的自适应区间二型模糊聚类算法（PSO-AIT2FCM）。利用高斯滤波函数对获得的统计直方图做平滑处理,同时设计波峰与聚类中心的对应规则精准地确定聚类中心。构造新颖的融合直觉模糊信息的目标函数,通过类内紧致和类间分离两个方面的信息共同判断聚类效果。利用粒子群优化算法优秀的全局搜索能力在可行域内寻找合适的模糊指数组合。将该文算法应用于Berkeley图像分割中,实验结果表明该算法能够有效地确定聚类中心和模糊指数的组合并得到良好的分割结果。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于多种群协同进化算法的数据并行聚类算法

为了提高云存储空间多维资源数据挖掘能力,需要进行数据并行聚类处理,提出基于多种群协同进化算法的数据并行聚类算法.构建云存储空间多维资源数据的参数采集模型,对采集的云存储空间多维资源数据进行模糊并行特征分布式重组,提取云存储空间多维资源数据聚类特征参数集,采用关联粗糙集特征分析方法进行云存储空间多维资源数据的多尺度小波结构分解,结合多种群协同控制的方法,建立云存储空间多维资源数据的并行聚类模型,通过关联协同滤波检测方法,进行云存储空间多维资源数据的分组特征检测和融合聚类处理,根据差分进化方法进行云存储空间多维资源数据的聚类中心寻优,遍历云存储空间多维资源数据聚类区域的候选目标集,实现对云存储空间多维资源数据的并行关联规则聚类和可靠性挖掘.仿真结果表明,采用该方法进行云存储空间多维资源数据挖掘的精度较高,聚类性较好,收敛性较强.     

基于FCM的无监督最优模糊聚类算法

基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c.通过对距离测量尺度的改进,使聚类不受类形状的影响,以达到具备更高准确率的聚类效果.仿真实验结果表明,新算法不仅能准确找出聚类数,而且跟单纯的模糊c均值算法比,具有更好的聚类效果.     

基于模糊聚类遗传算法的图像分割方法研究

图像分割是图像处理和图像分析的关键步骤,在图像工程中占据重要地位.模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法,但其算法初始聚类原型是随机选取的,从而造成算法性能强烈地依赖聚类原型的初始化,将遗传算法强大的通用性应用于模糊聚类算法,对模糊聚类中心进行编码,然后依据FCM算法的目标函数建立适应度函数,选择适当的交叉率和变异率,最终实现基于模糊聚类遗传算法的图像分割.采用这种方法一方面能较好地解决模糊聚类对初始化敏感的问题,又能在一定程度上提高了分割速度.实验结果表明,该算法具有良好的分割效果.     

基于参数自适应粒子群模糊聚类的图像分割研究

传统模糊聚类算法初始值过多依赖先验知识，易陷入局部最优，而采用粒子群模糊聚类虽有所改善，但粒子群也存在陷入早熟收敛的情况。针对这一问题，提出一种基于参数自适应的粒子群模糊聚类算法APSO-FCM。首先采用自适应参数控制策略对粒子群算法进行改进，然后使用提出算法优化模糊聚类初始数目，接着使用新的模糊C均值聚类方法进行图像分割。实验结果表明，提出算法划分的图像效果得到改善，在划分系数、划分熵等图像分割指标上有进一步提升。     

变长度微粒群优化模糊聚类的自适应图像分割方法

模糊C均值聚类(FCM.fuzzy c-means)图像分割方法,对初值选取较敏感,并且需要事先确定聚类数目.为此,提出了一种基于变长度微粒群算法(PSO,particle swarm optimization)优化PBMF模糊聚类的自适应图像分割方法.PBMF指标函数考虑了聚类数目和聚类中心,通过设计变长度PSO算法来实现PBMF指标函数的优化过程,并利用统计直方图将图像从像素窄间映射到灰度直方图特征空间,从而快速地获得图像的最佳聚类数日和聚类中心.对遥感图像的分割实验表明,该自适应分割策略具有全局搜索图像最佳聚类数月和聚类中心的能力,以及较强的抗噪能力.     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

基于近邻搜索花授粉优化的直觉模糊聚类图像分割

为克服传统模糊聚类算法应用于图像分割时,易受噪声影响,对聚类中心初始值敏感,易陷入局部最优,模糊信息处理能力不足等缺陷,该文提出基于近邻搜索花授粉优化的直觉模糊聚类图像分割算法。首先设计一种新颖的图像空间信息提取策略,进而构造融合图像空间信息的直觉模糊聚类目标函数,提高对于噪声的鲁棒性,提升算法处理图像中模糊信息的能力。为了优化上述目标函数,提出一种基于近邻学习搜索机制的花授粉算法,实现对于聚类中心的寻优,解决对于聚类中心初始值敏感,易陷入局部最优的问题。实验结果表明所提算法能在多种噪声图像上取得令人满意的分割效果。     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

一种二型模糊可能性聚类红外图像分割算法

提出了一种新的基于二型模糊可能性聚类的红外图像分割算法。针对受概率约束的模糊聚类算法和不受概率约束的可能性聚类算法在红外图像分割时存在的问题,采用二型模糊系统融合两种分割算法的隶属度函数,将隶属度函数看作一个区间型分布,而不是单独采用两种算法输出的确定模糊值。这种处理方式不但能有效抑制噪声及野值,而且能有效防止红外图像的过分割。实验仿真结果表明,该算法较传统聚类算法能获得更好的分割效果,可有效抑制噪声对目标区域分割的干扰。     

一种基于传感器加权的模糊聚类数据关联方法

提出一种用于传感器网络中信息融合的模糊数据关联新方法,该方法利用传感器的观测性能的先验知识对观测样本进行加权,通过加权模糊聚类算法实现数据的正确关联.同时,引入模糊聚类有效性函数自动确定每个观测时刻的目标数目.实验结果表明与传统基于模糊c均值聚类算法相比,本文提出的数据关联方法不仅具有更高的关联精度,而且具有较好的可靠性和有效性.     

基于自适应混沌粒子群的Web搜索结果聚类研究

提出了基于自适应混沌粒子群的Web搜索结果模糊C-均值算法,用粒子群算法代替模糊C-均值算法梯度下降的迭代过程,同时引入自适应的平衡搜索策略加快算法收敛和提高去噪能力,在增强局部搜索能力的同时引导粒子群跳出局部极值点.这样不仅在一定程度上解决了网页文档不确定性的问题,而且获得快速、稳定的聚类效果.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

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.     

雷达数据关联中动态加权模糊C-均值聚类算法研究

针对雷达本身及测量的运动目标淹没在大量的杂波中而导致所测数据的不准确问题,文中对雷达测量的大量目标数据进行卡尔曼滤波,以减少数据关联时的计算冗余量;并对模糊C-均值(C-Means)聚类算法进行改进,改进后的算法利用实时目标航迹斜率的变化率对传统的模糊C-Means聚类算法进行动态加权,从而使模糊C-Means聚类算法的目标函数最优化,优化后的目标函数确定的聚类中心更加逼近目标的实际值,从而保证数据关联的准确度,并减少了计算时间,提高算法的效率.仿真实验表明,将文中基于目标航迹斜率变化率动态加权的模糊C-Means聚类算法应用于曲线运动目标的数据关联中,与传统的模糊C-Means聚类算法相比,可以提高数据关联准确度和效率.     

基于改进聚类算法的客户分类系统的设计与研究

考虑到现有客户关系关系存在的一些问题,本文引入了模糊数学的相关算法,给数据对象的隶属度加上一个权值,以及在算法中采用有效性函数来自动确定聚类的初始数目,理论分析与实验结果表明,在客户关系管理环境下所引入的改进模糊聚类算法比传统模糊聚类算法有更好的聚类效果,更快的聚类速度,为企业对不同客户采用不同营销策略提供了依据。