基于马氏距离和模糊C均值聚类的抠图算法与应用

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理;然后在正则化图像背景中选取适当的掩膜作为样本集,计算各像素与样本集之间的马氏距离;再利用模糊C均值聚类算法对计算出的马氏距离进行分类;最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验,结果显示本算法可以自动抠图,且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果.      

基于FCM-LSTM的光热发电出力短期预测

对光热电站的出力进行短期预测，可以有效应对太阳能随机性和波动性带来的影响，为电网调度做好准备.该文以青海某光热电站为例，首先使用模糊C均值聚类算法对预处理后的实验数据进行分类，然后通过分析不同聚类类型下出力和气象数据中各因子间的关联程度，充分挖掘出数据间的关系，确定不同类型预测模型的输入变量，进而构建出不同类别下的长短期记忆神经网络预测模型.结果表明，与传统长短期记忆神经网络模型、BP神经网络模型、支持向量机模型和随机森林模型的预测结果相比，基于模糊C均值聚类的长短期记忆神经网络预测模型效果良好，大幅减少了预测误差，验证了该预测模型的有效性.     

精准农业中管理区划分方法研究

综述了近年来国内外在精准农业中农田管理区划分上应用的主要方法,包括K均值聚类算法、模糊C均值聚类算法、加权模糊聚类算法、粒子群优化算法以及改进的蚁群聚类算法概述了各种方法的原理,比较了各种处理方法的优缺,并对分区方法做了简要概括,最后指出了目前研究中存在的问题及今后的研究方向.     

基于模糊C均值聚类和图形技术的结构面产状分析方法

针对传统的利用极点等密度图和玫瑰图的结构面分组方法主观性强和聚类分析方法不够直观的缺点,建议利用模糊C均值(FCM)聚类的隶属度的结果,结合图形技术绘制隶属度等值线图来进行结构面分组.隶属度等值线图充分利用了模糊C均值聚类中隶属度的信息,展现每个聚类的隶属度的空间分布规律,并且可以分辨出因随机因素形成的结构面,还可以直观地读出聚类中心的范围.三山岛金矿的实例证明,该方法同时具有传统方法直观和聚类分析方法客观的优点,并且能够适应优势组不明显的数据.      

基于谱聚类算法的岩体结构面产状优势分组

结构面分组是开展岩体工程稳定性分析的基础,为此,采用谱聚类算法根据岩体结构面产状信息将结构面进行优势组划分。与目前广泛使用的K均值聚类相比,该算法能够收敛到全局最优。选取结构面法向量所夹锐角的正弦值平方作为结构面间的相似度量准则,应用谱聚类算法进行优化求解;同时,引入Silhouette指标对聚类有效性进行评价,以确定最佳分类数目。利用谱聚类方法对人工生成结构面数据进行计算的结果验证了该方法的可靠性。最后,将该算法应用于三山岛金矿岩体结构面的优势组划分,取得了理想的分类效果,为进一步岩体稳定性分析提供了可靠的数据基础。     

一种基于密度的模糊自适应聚类算法

针对密度聚类算法对邻域参数设置敏感的问题,提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下,可以自适应地根据样本间距离关系确定邻域半径得到样本密度,并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性,同时提出一种新的模糊聚类有效性指标以判断最佳聚类数,消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验,发现本文算法在对数据进行聚类时,聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高.      

考虑加权排序的分类数据聚类算法

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV_C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV_CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV_CSW算法在处理分类数据时,聚类质量较原始CABOSFV_C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高.      

基于模糊聚类和最小二乘回归的罩式退火炉冷却时间预报及其应用

按照退火计划内各钢卷的钢种和厚度对退火中的冷却工艺进行分类 ,将罩式退火炉冷却时间预报的多入单出建模问题化为一组单入单出建模问题。采用模糊C均值聚类方法对退火生产数据进行处理 ,再基于得到的聚类数据点进行指数最小二乘回归。现场应用表明 ,该方法能够较为准确地实现退火炉冷却时间预报 ,满足了现场要求。     

基于FCM的快速CHT算法在球团矿粒度检测中的应用

文章针对球团这类特殊的不规则球体的粒度检测，提出基于模糊C-均值聚类(FCM)的快速圆霍夫变换(CHT)算法。该算法在保留快速CHT算法优点的基础上，应用模糊C-均值聚类方法实现了对于不规则球体圆心的准确定位问题。实验表明，该算法比快速CHT算法具有更好的效果。     

数字图像检索技术的研究

本文实现基于颜色的图像检索提出了一种改进的聚类算法,并给出了基于分决主色的检索方法描述图像颜色特征.算法有效地解决了K-均值聚类算法初始聚类中心的选取问题.     

COREX冷煤气成分预测的二步建模方法

针对熔融气化炉冷煤气成分含量,提出了基于熵权模糊C均值聚类和偏最小二乘的COREX冷煤气成分预测方法.建模过程中首先根据料单中各种原料的单耗量,利用熵权模糊C均值聚类的方法将料单聚类成若干种料单类别,然后针对不同的料单类别,利用偏最小二乘法分别建立冷煤气成分预测模型.对宝钢COREX-1#炉实际生产数据验证结果表明:该方法可以有效地建立COREX冷煤气成分预测模型,具有较好的预测精度.      

基于聚类欠采样的集成不均衡数据分类算法

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度.      

一种改进的最大相关最小冗余选择性贝叶斯分类器

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题.      

基于FCM聚类的金属出口加工物流信息数据调度算法

通过对金属出口加工物流信息数据调度,提高物流供应链的信息传输效率。提出一种基于FCM聚类的金属出口加工物流信息数据调度算法,构建金属出口加工物流信息流模型,对提取的信息流特征进行模糊C均值聚类处理,采用自适应支持向量机训练方法,实现数据调度。仿真表明,该调度算法具有较好的寻优能力,收敛性和精度较好。     

分类属性数据聚类算法HABOS

CABOSFV_C是一种针对分类属性高维数据的高效聚类算法,该算法采用集合稀疏差异度进行距离计算,并采用稀疏特征向量实现数据压缩.该算法的聚类效果受集合稀疏差异度上限参数的影响,而该参数的选取没有明确的指导.针对该问题提出基于集合稀疏差异度的启发式分类属性数据层次聚类算法(heuristic hierarchical clustering algorithm of categorical data based on sparse feature dissimilarity,HABOS),该方法从聚结型层次聚类思想的角度出发,在聚类数上限参数的约束下,应用新的内部聚类有效性评价指标(clustering validation index based on sparse feature dissimilarity,CVISFD)进行启发式度量,从而实现对聚类层次的自动选取.UCI基准数据集的实验结果表明,HABOS有效地提高了聚类准确性和稳定性.      

分类属性高维数据基于集合差异度的聚类算法

提出基于集合差异度的聚类算法.算法通过定义的集合差异度和集合精简表示,直接进行一个集合内所有对象总体差异程度的计算,而不必计算两两对象间的距离,并且在不影响计算精确度的情况下对分类属性高维数据进行高度压缩,只需一次数据扫描即得到聚类结果.算法计算时间复杂度接近线性.实例表明该算法是有效的.     

应用于大数据集的聚类新算法设计

抽象的聚类分析是数据挖掘研究的重要领域.随着数据量每3年翻一番,关键问题是如何对大型数据集高效率地进行聚类操作.文章首先将当前主流的聚类算法应用于大规模数据集,通过实验指出现有的聚类技术存在的关键问题及所面临的技术挑战,然后使用了数据聚合树(DA树)作为代表性大型数据集的数据结构,设计了一个新的聚集算法(CLUK算法)并通过实验证明其性能显著优于当前主流的BUICH聚类算法.     

基于FCM的多支持向量机模型在高炉炉温预测中的应用

针对高炉炼铁智能控制专家系统中单一支持向量机(SVM)炉温预测模型的改进研究,提出一种基于模糊C均值聚类(FCM)的多支持向量机模型。首先运用模糊C均值聚类对模型训练集进行聚类划分,然后对每一类进行支持向量机的训练,建立相应的子模型,并对测试集中的同一样本点分别进行预测,以测试样本点的输入对应于每一类的隶属度为权值,进行加权求和,最终得到预测值。通过对在线采集的数据分析表明,基于FCM的多支持向量机模型比单一的支持向量机模型在多方面预测性能得到改善,连续预测100炉命中率达86%。     

基于模糊聚类多模型池塘溶解氧软测量研究

提出了一种基于模糊-C均值聚类FCM(Fuzzy C-Means)算法的多模型结构方法,并建立了溶解氧软测量模型.通过对养殖池塘溶解氧软测量模型的研究表明,该方法具有良好的测量精度和鲁棒性,具有良好的在线测量与监控能力.     

基于不同算法的高炉操作炉型聚类效果对比

高炉操作炉型与高炉操作、技术经济指标等关系密切，合理的操作炉型有利于保证高炉生产的优质、低耗、高产、长寿。通过对冷却壁温度的聚类分析，能够有效合理地表征高炉操作炉型的变化，对高炉生产有着重要的指导意义。分别采用K-Means、TwoStep对数据集进行聚类分析，基于两种聚类算法的原理，结合Davies?Bouldin index（DBI）与Dunn index（DI）对聚类结果进行评价，分析不同聚类算法间的差异，得出了在所选样本数据及数据特征基础上，K-Means算法聚类结果更好的结论，该研究可为高炉炼铁大数据分析中的聚类算法选择提供有力参考。