基于人工鱼群算法的聚类挖掘

聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同种类.目前聚类分析算法普遍存在对初始参数敏感,难以找到最优聚类以及聚类有效性等问题.人工鱼群算法作为一种新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.引入聚类数学模型,结合现有人工鱼群算法的特点和聚类算法理论,通过模拟鱼群的智能行为进行聚类分析,提出了一种基于人工鱼群算法的聚类挖掘方法.对空间数据的实验和蚁群算法的对比研究表明,该算法具有良好的聚类效果.     

一种基于人工鱼群的混合聚类算法

聚类分析是数据挖掘的核心技术之一,它是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。文中通过分析K-平均算法的优缺点,提出了一种基于人工鱼群算法的聚类分析算法,并把它与传统的K-平均算法结合得到一种新的混合聚类算法。仿真实验表明,该算法是有效的,具有聚类速度快、精度高特点。     

基于鱼群算法的图像阈值分割*

本文提出了一种基于鱼群算法的二维阈值图像分割的新方法。传统的二维Otsu方法考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对Ostu方法的计算量大、运行时间长的缺陷,采用鱼群算法来搜索最优二维阈值向量,通过鱼群追尾行为获得最优阈值。实验结果表明,所提出的方法不仅能得到理想的分割结果,而且分割速度快。     

基于改进人工鱼群算法的含噪图像分割方法

针对传统的图像分割方法计算量大、抗噪性弱等问题,将新型的智能仿生优化算法--人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）和小波变换有效地应用到图像分割中,并提出一种并行的阈值分割方法。采用合适的固定步长与自适应步长相结合的方法提高AFSA收敛速度,利用小波变换对小波系数进行阈值处理来提升图像信噪比。利用二维Otsu作为人工鱼群算法的适应度函数,以获得最优阈值。实验结果显示,该方法在分割质量和降噪方面较潘喆等人提出的方法有明显提高。     

K-Means聚类算法研究综述

K-均值（K-Means）算法是聚类分析中一种基于划分的算法,同时也是无监督学习算法。其具有思想简单、效果好和容易实现的优点,广泛应用于机器学习等领域。但是K-Means算法也有一定的局限性,比如：算法中聚类数目K值难以确定,初始聚类中心如何选取,离群点的检测与去除,距离和相似性度量等。从多个方面对K-Means算法的改进措施进行概括,并和传统K-Means算法进行比较,分析了改进算法的优缺点,指出了其中存在的问题。对K-Means算法的发展方向和趋势进行了展望。     

K-Means聚类算法的研究

K-Means算法是一种经典的聚类算法,有很多优点,也存在许多不足。比如初始聚类数K要事先指定,初始聚类中心选择存在随机性,算法容易生成局部最优解,受孤立点的影响很大等。文中主要针对K-Means算法初始聚类中心的选择以及孤立点问题加以改进,首先计算所有数据对象之间的距离,根据距离和的思想排除孤立点的影响,然后提出了一种新的初始聚类中心选择方法,并通过实验比较了改进算法与原算法的优劣。实验表明,改进算法受孤立点的影响明显降低,而且聚类结果更接近实际数据分布。     

K-Means聚类算法的研究

K-Means算法是一种经典的聚类算法,有很多优点,也存在许多不足.比如初始聚类数K要事先指定,初始聚类中心选择存在随机性,算法容易生成局部最优解,受孤立点的影响很大等.文中主要针对K-Means算法初始聚类中心的选择以及孤立点问题加以改进,首先计算所有数据对象之间的距离,根据距离和的思想排除孤立点的影响,然后提出了一种新的初始聚类中心选择方法,并通过实验比较了改进算法与原算法的优劣.实验表明,改进算法受孤立点的影响明显降低,而且聚类结果更接近实际数据分布.     

基于Ant-Tree聚类算法的图像分割

图像分割可以看作对具有不同特征的像素进行聚类的过程。综合考虑像素的灰度、梯度及邻域等特征,将Ant-Tree聚类算法引入图像分割中。针对Ant-Tree算法的聚类结果信息冗余的缺点,采用了一种改进的树结构模型来提高聚类速度。此外,还提出了一种新的初始化方法,结合K-means算法动态修正聚类中心,提高了聚类准确度和算法的鲁棒性。实验结果证明改进的Ant-Tree算法可以快速准确地分割出目标,是一种非常有效的图像分割方法。     

基于改进量子旋转门人工鱼群算法的K-means聚类算法及其应用

为改进传统K-means聚类算法中存在因随机选择初始质心而导致聚类结果不稳定且准确度低的缺点,提出基于改进量子旋转门人工鱼群算法的K-means聚类(IQAFSA)算法,通过动态更新量子旋转门的旋转角提高下一代更新方向准确度及更新速度。变异策略从传统的非门改为H门,既增加种群的多样性,又使全局搜索能力增强;最终使用所改进算法选取K-means的初始质心再进行聚类。通过UCI数据的测试以及在医学相关数据上的实验表明,提出的算法具有有效性,准确度较高且收敛速度较快。     

基于K-means聚类的灰度图像分割

图像分割是图像分析的关键步骤,具有十分重要的应用价值和研究价值。本文K-means聚类的特点,叙述了应用K-means聚类算法进行灰度图像分割,经实验结果表明,此算法能较好的用于图像分割上。     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

基于多目标人工鱼群算法的硅单晶直径检测图像阈值分割方法

为提高对硅单晶直径检测图像高亮光环的分割精度, 提出了一种基于多目标人工鱼群算法的二维直方图区域斜分多阈值分割方法.首先设计了一种多目标人工鱼群算法, 并且改进了快速构造Pareto非劣解集的方法, 然后以最大类间方差和最大熵同时作为测度函数, 搜索最优的二维直方图区域斜分分割阈值.仿真结果表明, 所设计的多目标人工鱼群优化算法具有较高的搜索精度, 硅单晶直径检测图像分割实验结果表明, 提出的改进二维直方图区域斜分多阈值分割方法对高亮光环具有较高的分割精度.     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

基于混合人工鱼群的图像模糊增强算法

模糊隶属度函数的形式直接影响灰度图像增强的质量,为进一步改善图像模糊增强的效果,对目前的模糊隶属度函数进行研究,并提出一种改进的参数化s型模糊隶属度函数用于图像增强;所提算法利用图像对比度的质量评价模型,结合人工鱼群算法和Powell算法搜索s型函数中的未知参数值,进而确定该模糊隶属度函数;通过实验结果表明:该算法能够较好地改善灰度图像质量,并且控制参数可通过优化算法自适应获得,具有较好的通用性,是一种有效的图像模糊增强算法。     

一种改进的人工鱼群算法

提出一种改进的人工鱼群算法,对其觅食行为、追尾行为与移动策略进行改进,设定特殊觅食行为,约束群聚行为的拥挤度区间,协调移动策略,以保障每条鱼的成功觅食,避免鱼群出现早熟现象,提高全局寻优能力.最后通过实验仿真验证了该算法的有效性与精确性.     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

结合人工鱼群的动态克隆选择算法的研究

针对动态克隆选择算法中检测器利用率低、全局性差的问题,提出将人工鱼群算法中具有全局性和快速收敛的追尾、聚群行为应用在动态克隆选择算法的检测器生成阶段,改进算法效率,同时解决由于随机生成检测器而带来的诸多问题.通过仿真实验,证明改进后的算法具备了人工鱼群算法的优势,弥补了自身系统前期收敛慢、检测器生成效率低的问题.