初始聚类中心优化选取的核C-均值聚类算法

在通常的核C-均值聚类算法中,聚类结果对初始聚类中心敏感,随机选取初始聚类中心时,会使得迭代次数较多、分类结果不稳定.针对该问题提出一种优化选取仞始聚类中心的算法.该方法采用一种改进的最大最小距离算法对原始空间中的数据进行粗分类,将粗分类结果中每类类心作为初始聚类中心,再运用核C-均值聚类算法进行分类.仿真实验结果表明方法能有效减少迭代次数,使分类结果更加稳定,分类识别率也有一定程度的提高.     

基于模糊核C-均值聚类分析的HRRP识别

由于雷达目标及其所处环境的复杂性,导致目标之间的关系往往是非线性的,因此,基于核方法的模式识别方法被广泛应用于雷达目标识别中。在对模糊核C-均值聚类算法深入研究的基础上,提出一种基于模糊核C-均值聚类的高分辨距离像识别算法。该算法针对特征提取后一维距离像数据的特点,采用组合核函数以降低由于数据属性数值过大造成的权重过大对识别效果的影响;同时,算法可以在训练过程中通过有效性函数自适应地确定最佳聚类数目。仿真实验结果表明,基于组合核函数的识别算法同基于传统的高斯核的算法都能有效识别雷达目标,但前者具有更高的目标识别率。     

基于C-均值聚类的高分辨距离像识别

针对已有核聚类算法中核参数优化方法的不足,提出一种新的反映类内类间间距的有效性指标,通过使类内样本相似性最大,类间样本相似性最小来达到优化核参数的目的.在对核C-均值聚类算法深入研究的基础上,提出一种基于核C-均值聚类的高分辨距离像识别算法.仿真结果表明:该算法可以通过训练识别率判定最佳聚类数,同时运用改进的核参数优化方法可以得到最优的核参数,进而得到最佳的识别结果.