特征加权的模糊C有序均值聚类算法

Fuzzy C-ordered-means clustering(FCOM)算法基于排序进行模糊聚类,虽然其鲁棒性得到提高,但是耗时的排序操作降低了算法的效率。本文基于FCOM算法,将排序加权模式进行改进,提出一种特征加权的模糊C有序均值聚类算法(feature weighted fuzzy C-ordered-means clustering,FWFCOM)。为了验证算法的有效性,选取6个UCI数据集进行试验。结果表明,FWFCOM算法不仅在聚类准确率和鲁棒性方面有较好的表现,而且运行效率也得到有效提升。     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

相对熵模糊C均值聚类分割算法

针对模糊C均值聚类分割算法无法获得复杂图像的细节信息问题,提出一种相对熵模糊C均值聚类分割算法。该算法利用划分隶属度构造相对熵,对传统模糊C均值聚类进行正则化约束,将其作为正则化因子添加到传统FCM的目标函数,得到新的聚类目标函数。通过拉格朗日乘子最优化推导,得到新的隶属度和聚类中心的迭代更新表达式。实验结果表明,该算法对于图像与背景灰度相近的复杂图像可以清晰的分割出图像的轮廓,也比FCM方法获得更多的图像细节信息。     

模糊C-均值聚类算法改进研究

通过对模糊C-均值聚类算法的研究,用遗传算法的相关知识对其进行优化与改进.并使用著名的IRIS数据集分别对传统的模糊C-均值聚类算法和用遗传算法改进后的模糊C-均值聚类算法进行测试、比较.实验结果表明,用遗传算法改进后的模糊C-均值聚类算法比传统的模糊C-均值聚类算法更加准确、高效.这将为以后的聚类分析研究工作提供一定的帮助.     

一种改进的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法中,聚类效果往往受到聚类数目和初始聚类中心的影响这一问题,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数法来获得初始聚类中心.实验结果表明,改进后的算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少,收敛速度快.     

织物性能的遗传模糊C均值聚类算法

为了解决传统模糊C均值算法(FCM)依赖初值、易于陷入局部极值的问题,设计实现了一种遗传模糊C均值聚类算法(GFCM),该算法以模糊聚类中心矩阵为优化变量,将FCM算子引入遗传算法中以增强遗传算法的寻优能力,对聚类中心施加进化扰动以寻找最优聚类;描述了FCM和GFCM的基本流程,通过一个织物性能聚类评价例子对比了两种方法的性能,证明了GFCM的优越性.     

基于模糊c均值算法文档聚类问题的研究

应用模糊C均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.     

结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先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，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。     

CRM中的模糊C均值(FCM)客户聚类算法研究

客户关系管理(CRM)中的客户聚类分析是一个新的研究领域,属于数据挖掘的应用范畴.CRM利用数据挖掘技术发现客户数据背后隐藏的、有用的、未曾预料的知识.包括利用聚类方法划分顾客类别.本文提出用模糊C均值(FuzzyC Means,FCM)聚类算法作为客户聚类的方法,得到不同客户群的聚类中心以及客户的隶属度矩阵,为客户群的特征分析提供了量化依据.并采用Matlab6.1为计算工具,最后给出了一个聚类分析实例.实验证明,本文采纳的方法可以得到满意的客户聚类结果.     

基于模糊C均值聚类算法的区域用电特征分析

某区域内电力用户的用电行为往往会影响该区域电力公司的负荷调度以及分时电价等重要问题的决策.为使得这些决策更符合该区域的实际情况,必须对该区域的用电特征进行分析.针对这一问题,提出了一种基于聚类算法的区域用电特征分析方法.采用模糊C均值算法并结合K-means算法,按照某区域的电力用户分布情况,将数据样本聚类为居民区电力用户、商业区电力用户和工业区电力用户3个类簇,并结合该地区实际用电情况,对得到的类簇负荷曲线进行了分析,得出了该区域不同类型电力用户的用电特征.     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

无线传感网能量约束模糊c‐均值聚类算法

引入能量限制项来提高聚类算法对能量的敏感性。在聚类过程中,最优聚类数由cos指数的最大值决定。仿真结果表明,与LEACH算法相比,该算法能够获得合理的簇头节点分布,延迟了第一个节点的死亡时间。延长了网络生命周期,平衡节点的能耗。     

基于模糊C均值聚类的织物平整度等级评定

采用模糊C均值聚类客观评定织物平整度等级。首先介绍了模糊C均值聚类的基本方法和思路，模糊聚类可以将输入特征值进行聚类并分组；然后利用模糊C均值聚类对输入特征值进行聚类分析，不同平整度等级的织物模板被分属于不同的模糊聚类中心；最后选取26种不同类型的织物样本进行测试，试验结果表明，客观评价与主观评价的相关系数达到97．38％，评定准确率超过90％。     

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法（FCM）的缺陷,提出了一种基于改进遗传算法的模糊聚类方法．利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷．仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度．     

区间值数据模糊c-均值聚类新算法

针对范九伦等提出的两种模糊ｃ－均值聚类算法进行了改进,提出了更一般的区间值数据模糊ｃ－均值聚类算法．证明了当加权系数λ为１时,新算法等效于老算法Ⅰ;当λ趋于０ 时,新算法趋近于老算法Ⅱ．新算法以老算法Ⅰ和Ⅱ为其特例,并可用现有的模糊ｃ－均值工具箱直接实现．     

基于改进模糊均值聚类算法的遥感图像聚类

由于传统模糊C均值聚类算法存在缺陷,该文给出了一种结合加权模糊C均值聚类与聚类有效性指数的算法.利用数据点的密度大小作为权值,借助数据本身的分布特性,该方法不仅在一定程度上克服了模糊均值算法的缺陷——有对数据集进行等划分的趋势,而且具有良好的收敛性.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。