基于自适应模糊加权指数的FCM聚类测量图像分割方法

针对采用FCM聚类进行测量图像分割时,模糊加权指数难以确定的问题,通过分析FCM聚类原理,依据测量图像分割的具体要求,根据加权指数对不同模糊聚类过程的作用程度,提出了一种基于自适应模糊加权指数的FCM聚类测量图像分割方法。实验结果表明:该算法可以减少聚类迭代次数,确保分类的准确性,提高图像分割质量。     

一种新的基于Fuzzy c-means的高效自适应截集算法

提出了一种新的模糊聚类方法-自适应截集算法。该方法克服了聚类数目c要求预先确定、局部最优、分类不确定等弱点,对算法结构加以改进,增加聚类有效性问题的分析,在聚类过程中可动态调整聚类数目。针对时间消耗问题,利用模糊截集提高分类识别的速度。经实验表明,本算法可以提高聚类算法的可靠程度和分类识别的正确性。     

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。     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法。首先在模糊熵聚类算法的基础上进行改进,设计了一种利用邻域空间信息的核化模糊熵聚类的新目标函数,然后提出一种基于改进粒子群优化的新算法,最后通过最优化目标函数对MRI图像的白质、灰质和脑脊液进行分割。选取蒙特利尔神经学研究所数据库中的MRI脑图像,将所提出的算法与现有的几种聚类分割算法进行比较,仿真实验结果表明,所提出算法能够解决模糊聚类对噪声和初始化敏感的问题,实现了对高噪声MRI图像的精确分割。     

基于蚁群行为及模糊聚类的乳腺钙化点边缘提取

针对乳腺X光图像中钙化点形态各异、周围背景复杂及其与背景对比度不同造成的钙化点识别难度大的问题,模仿蚁群行为对乳腺X光图像中各像素点按梯度值进行聚类,输出聚类中心;以这些聚类中心作为模糊C均值法(FCM)的初始聚类中心,经迭代得到新的聚类,再经过适当的类间合并,从而将钙化点边缘的像素提取出来.实验结果表明,通过选择适当的蚂蚁聚类及模糊C均值法参数,该方法可有效提取乳腺钙化点边缘.     

一种基于模糊加权的改进文本聚类方法

首先提出了一种优化初始中心点方法用以解决聚类的局部最优问题.同时通过样本的模糊加权减少边缘噪音数据对聚类效率的影响.文本聚类试验表明,该模糊文本聚类算法取得较好的聚类效果.     

一种基于神经网络的广义熵模糊聚类算法

以模糊聚类为基础,将广义熵引入到模糊聚类的目标函数中,提出一种基于模糊熵的模糊聚类的统一形式,即广义熵模糊聚类模型;利用增广拉格朗日求解方法,以及Hopfield神经网络和复突触神经网络解决了基于广义熵的目标函数的优化问题,提出了基于神经网络的广义熵模糊聚类算法,表明了使用神经网络求解的收敛性;同时,给出一种用于确定增广拉格朗日乘子的迭代方法.实验中选取人工生成数据集和UCI标准数据集对提出的算法进行了实验研究,并与常用的聚类算法进行了性能比较.     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

一种模糊C均值聚类算法及实现

模糊聚类是一种重要数据分析和建模的无监督方法。本文对模糊聚类进行了概述, 从理论和实验方面研究了模糊 c 均值聚类算法,并对该算法的优点及存在的问题进行了分析。该算法设计简单,应用范围广,但仍存在容易陷入局部极值点等问题,还需要进一步研究。     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

基于模糊聚类分析的数据检索的应用

为提高数据检索的效率，文章提出了一种将模糊聚类分析应用到数据检索中的方法。该方法以一种兼容值贴近和形贴近的新统计量——相似度为基础，采用凝聚的层次聚类方法对数据进行聚类，然后将聚类结果形成一个聚类中心文件，通过计算比较聚类中心和查询数据的相似程度来进行聚类检索。     

一种改进的基于模糊聚类分析的数据关联算法

基于模糊聚类分析的无源传感器数据关联中,当目标集合中所有目标的属性差异较小时,通常不能正确得到目标关联结果。论文提出了一种改进的基于模糊聚类分析算法,并对该算法进行了推导和仿真。仿真试验结果表明该算法能有效解决辐射源特征值取值接近或单目标环境中的属性关联问题。     

FCM算法用于灰度图象分割的研究

模糊Ｃ均值（ＦＣＭ）算法用于灰度图象分割是一种非监督模糊聚类后再标定的过程，适合灰度图象中存在着模糊和不稳定性的特点，但是这种算法存在着一些不足，如类数目无法自动确定，运算的开销太大等，因而限掉了这种方法的应用，针对这些问题，本文利用直方图分析的方法，自动确定算法的聚类数目和各类的类峰值，并针对ＦＣＭ算法和灰度图象的特点，提出了一种适用于灰度图象分割的快速ＦＣＭ算法（ＱＦＣＭ）使得运算了开销降低，     

雷达脉冲信号流的模糊聚类分选

复杂信号环境下的实时信号分选技术对雷达侦察信号处理非常重要,利用模糊聚类分析的相关理论,根据脉冲参数将不同体制的雷达信号进行归类,从而实现对雷达脉冲信号的分选。     

簇态量子模糊哈希与隐蔽信息搜索(英文)

提出一种采用经典-量子ε-universal哈希类的簇态量子模糊哈希构造方法.传统哈希与模糊哈希算法不能有效抵抗量子攻击.通过采用diamond范数方法,构建了一种哈希函数类最优子集并且提供信息论意义上的更优安全性.基于量子簇态独特的物理级单向计算属性,相应算法更接近于物理可实现.进一步,构造了一种在信息安全与生物特征识别方面的隐蔽信息搜索策略.该生物识别搜索算法基于簇态量子ε-universal模糊哈希构建.该策略能有效抵抗量子算法攻击,确保数据存储安全,并降低了计算复杂度.相比于其他类似策略,此算法具有更精简的结构,理论分析表明此算法具有较高的识别效率与更好的数据安全性.     

An optimised fuzzy clustering for wireless sensor networks

Minimising energy consumption has always been an issue of crucial importance in sensor networks. Most of the energy is consumed in data transmission from sensor nodes to the base station due to the long distance of nodes from the base station. In the recent past, a number of researchers have proposed that clustering is an efficient way of reducing the energy consumption during data transmission and enhancing the lifetime of wireless sensor networks. Many algorithms have been already proposed for cluster head selection. In this work, we analyse and compare the lifetime of the network with three different fuzzy-based approaches of cluster head selection. The three strong parameters which play an important role in lifetime enhancement – energy, centrality and node density – are considered for cluster head selection in our proposed fuzzy approaches. In the first approach, energy and centrality are considered simultaneously in a fuzzy system to select the cluster heads. In the second approach, energy and node density have been taken in a fuzzy system to select the cluster heads. In the third approach, node density and centrality are considered simultaneously by a fuzzy system to select the cluster heads. Simulation results of these fuzzy logic-based approaches show that all the three approaches are superior to the Low-Energy Adaptive Clustering Hierarchy (LEACH). Simulation results also show that the energy-centrality-based fuzzy clustering scheme gives best performance among all the three fuzzy-based algorithms and it enhances the lifetime of wireless sensor networks by a significant amount.     

模糊评判法和模糊聚类分析在优化布点中的应用

为了弥补传统的物元分析中存在的不足之处,提出一种基于模糊评判和模糊聚类的物元分析方法。该方法首先应用模糊评判法综合评价河流的水环境质量,将得到河流的水质等级应用于物元分析中,然后用物元分析所得的关联函数构造模糊关系矩阵,对样本进行模糊聚类,最后得出优化布点结果。     

模糊聚类和模糊模式识别技术在通信设备抗干扰性能评估系统中的应用

本文提出了用模糊聚类结合模糊模式识别(F模式识别)技术评估通信设备抗干扰性能的方法。与传统的模糊综合评判方法相比,该方法使评估结果的时效性得到了改善,同时又保留了模糊信息处理技术的优点。     

基于模糊聚类的云任务调度算法

为了更好地实践云计算提供廉价按需服务的宗旨,提出了一种在模糊聚类基础上,基于两级调度模式的任务调度(FCTLBS,fuzzy clustering and two level based task scheduling)算法,新算法设置用户调度和任务调度2个等级。对资源进行性能模糊聚类;根据任务参数计算资源偏好,使不同偏好任务在不同聚类中选择,缩小了选择范围,更好地反映了任务需求。仿真实验表明,本算法较之同类算法具备一定的优越性。     

二次聚类图像分割算法

图像分割技术在各个领域中应用广泛,简单描述了模糊C均值聚类算法,在此基础上利用图像（ l,α,β）颜色空间分离,将亮度空间进行二次聚类,根据像素点到第二次聚类中心的隶属度所得整幅图像的聚类域。能有效的将灰度图像或彩色图像中相似区域聚集分类,为图像预处理提供很大帮助。通过实验验证了算法的有效性。