基于类簇合并的无参数密度峰值聚类算法

密度峰值聚类算法（DPC）通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚类算法（NDPCCM）。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型,并利用类内相似度自动确定截断相似度,避免了人为设置参数;接着根据簇中心权值的下降趋势自动选择初始类簇中心,得到初始类簇;最后通过合并初始类簇对初步聚类结果进行优化,提高了聚类的准确性。在人工数据集和UCI真实数据集上,将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇,且聚类性能优于其他算法。     

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。     

基于相似度阈值模糊聚类的红外区域提取方法

针对输电线路电力设备红外图像热故障区域检测,提出采用一种基于相似度阈值的模糊聚类热故障区域提取方法。在该方法中,改进了传统模糊均值聚类算法的迭代求解方式,采用一种阈值化模糊聚类;其次,通过对目标区域局部邻域像素的相似度聚类分析,并结合其隶属度的计算,确保局部邻域像素在聚类上的相似性。同时,引入了最大相似度阈值准则简化均值的设置以及自高向低的迭代方式,从而提升区域提取效率。最后通过真实输电线路电气设备红外故障图像测试,验证了文中所提方法的有效性和适用性。     

基于自适应相似度距离的改进FCM图像分割

为了改善传统FCM算法抗噪性差的问题,提出了基于自适应相似度距离的FCM算法.算法将像素分为两个特征:第一个描述的是像素的内在属性(灰度级特征),第二个描述邻域像素特征(空间特征).在此基础上,基于自适应相似度距离,根据像素在图像中的空间位置决定哪一个特征拥有优先级,对其进行聚类.图像分割结果表明,算法比标准FCM算法有明显改善,具有很好的抗噪性能,取得了更好的分割效果.     

基于余弦相似性的自适应权重的改进FCM算法

模糊C-均值聚类算法(FCM)是一种经典的聚类算法,主要通过迭代更新隶属度和聚类中心来提高聚类的有效性.FCM算法的性能主要通过类内紧性和类间分离性来评价,但其既依赖于初始聚类中心,也对噪声非常敏感.考虑到每个数据点和每个聚类中心对目标函数的不同重要性,本文提出了一种具有自适应权重的改进FCM聚类算法(Hybrid FCM).主要贡献:将2个具有自适应指数p和q的自适应权向量ψ和φ引入FCM的目标函数,以体现不同数据点和聚类中心的重要性;为提高聚类性能,自适应指数p、q和模糊因子m采用粒子群优化算法(PSO)优化,新提出的聚类评价指标AWCVI作为PSO算法的适应度函数;迭代过程中利用余弦相似性对隶属度函数进行修正,提高算法的鲁棒性.实验表明,本文提出的算法能够有效地提高聚类效果.     

基于改进FCM的多传感器多目标数据互联算法

将模糊聚类分析的方法运用到数据互联中是现今多传感器多目标跟踪的发展方向之一。文中在模糊c-均值聚类(FCM)算法的基础上提出了一种适用于多传感器多目标数据互联的改进算法,该算法通过对隶属度函数进行加权,同时考虑了样本对聚类中心和样本与样本之间的隶属关系。仿真结果表明该改进算法使得分类效果更加清晰,能够更好地将测量结果划分给各个目标,且所需的迭代次数更少,收敛速度更快。仿真结果验证了算法的正确性和有效性。     

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。     

基于改进的模糊C均值聚类图像分割新算法

模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

一种基于调和均值的模糊聚类算法

k调和均值算法用数据点与所有聚类中心的距离的调和平均替代了数据点与聚类中心的最小距离，是一种减小初始值影响聚类结果的有效的聚类方法。本文对k调和均值算法进行扩展，考虑到数据点同时对不同聚类的隶属关系，将模糊的概念应用到聚类中，提出了模糊k调和均值-Fuzzv K—Harmonic Means(FKHM)算法。在中心迭代聚类算法的统一框架的基础上，推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据点加权函数表达式。以划分相似度作为聚类结果的评价准则，实验表明，FKHM算法在聚类对于初值不敏感的同时提高了聚类结果的精确度，达到较好的聚类效果。     

基于L_1度量的Type-2熵模糊聚类红外图像分割

为了准确实现目标识别,从红外图像的特点出发,提出了将L_1空间度量的二型(Type-2)熵模糊聚类算法应用干红外图像分割.该算法首先通过L_1空间度量样本点与类别中最大最小值的距离,代替了传统聚类算法中样本点与聚类中心的聚类,然后根据熵模糊聚类算法获得上模糊隶属度和下模糊隶属度两个隶属度函数,并采用二型模糊融合得到隶属度函数,其中给出了一种权重加权降型算法.通过对实际的红外图像分割表明,这种算法能准确地实现红外图像分割,自适应性强,鲁棒性好,能够在复杂背景下获得较为理想的分割效果.     

基于WFCM算法在MRI图像分割中的应用

模糊C均值聚类(FCM)算法是一种基于非监督聚类算法。样本加权模糊C均值聚类(WFCM)算法是FCM算法的改进,该算法能够明显提高收敛速度和聚类的准确性。无论是FCM算法还是WFCM算法,对噪声都相对敏感,而且聚类数目仍然需要人工确定。在此提出一种改进算法,首先通过偏微分方程(PDE)降噪算法对原始脑MRI医学图像进行处理;其次利用聚类有效性确定最佳聚类数目,对WFCM算法进行改进;最后利用本文改进算法对图像进行聚类分割。实验表明,该方法是一种具有自动分类能力、抗噪性较好的模糊聚类图像分割算法。     

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。     

一种新的属性图重叠聚类挖掘算法

属性图各节点附有的节点属性标签,为节点提供了更加丰富的信息,在数据挖掘应用,特别是数据聚类问题中如何有效利用这些丰富的信息,已经成为开展此类研究的研究目的。不同于传统图聚类,属性图上的聚类要同时考虑图的结构信息和节点的属性信息,因此如何平衡两者之间的关系,这是属性图聚类主要关注所在。目前已提出的属性图聚类算法,部分算法的效率很高,然而聚类质量较差,同时一些算法可以得到较好的聚类结构,然而算法消耗大量的系统资源,效率也较低。这些算法均没有考虑簇之间存在重叠的情况,这导致无法得到更高精度的聚类结构。因而提出一种属性图上的重叠聚类挖掘算法,实验表明,提出的算法可以得到更高的聚类精度,特别是可以提升聚类内部节点的属性相似度。     

个性化服务中用户兴趣聚类算法研究

讨论了个性化服务中用户兴趣建模对聚类算法的要求,指出经典聚类算法应用于用户兴趣聚类时的不足。在基于图论的K近邻聚类算法的基础上进行改进,提出一种基于相似度的聚类算法。实验证明,与K近邻算法相比,该算法能够显著提高聚类质量,有效区分孤立点,适用于用户兴趣聚类。     

基于自适应松弛的鲁棒模糊C均值聚类算法

噪声是影响聚类结果的最重要的因素之一,现有的模糊聚类算法主要通过对隶属度约束进行松弛的方式来降低噪声样本的影响。这种方式仍然存在两个基本问题需要解决:第一,如何评估一个样本是噪声的可能性;第二,如何在抑制噪声样本影响力的同时,保留正常样本的作用力。针对这两问题,该文提出了基于自适应松弛的鲁棒模糊C均值聚类算法(AR-RFCM)。新模型基于K最近邻的方式(KNN)来估计样本的可靠性,自适应地调整松弛参数,从而实现在降低噪声样本影响力的同时,保留可靠样本的作用力。此外,AR-RFCM利用了C均值聚类模型中隶属度的稀疏性来提高可靠样本的作用力,从而提高数据簇的内聚程度,进而降低噪声样本的影响。实验表明,AR-RFCM不仅在处理噪声样本时具有良好的鲁棒性,同时在25个UCI 数据集实验中,分类正确率(兰德指数)平均高于FCM算法7.7864%。     

无人工样本的SVM遥感图像分类方法

针对遥感图像监督分类方法需要人工提取训练样本的缺陷,提出一种模糊K均值聚类（FCM）提取训练样本、支持向量机（SVM）进行分类的方法。算法首先用FCM进行初步分类得到隶属度矩阵并判断每个样本的类别号;然后根据隶属度矩阵提取每类样本中密集程度较高的样本作为训练样本;最后用SVM对样本进行训练、再次分类。该方法克服了SVM算法需要人工样本的缺点,改善了传统非监督分类算法的性能,UCI标准数据库Iris数据和遥感数据样本的实验结果证明了该方法的可行性。     

基于属性扩展图的聚类算法研究

提出一种新的图聚类算法,结合结点的结构及属性特性,使用统一的随机移动距离计算结点间的相似度,在邻接随机移动距离矩阵的基础上进行聚类.实验结果表明,基于属性扩展图的聚类算法在图拓扑结构的基础上,充分考虑了各个结点所拥有的属性特点,得到的聚类结果将更好的切合实际的应用.     

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。