具备历史借鉴能力的软划分聚类模型

在数据稀少或失真等场景下,传统软划分聚类算法无法获得满意的聚类效果。为解决该问题,以极大熵聚类算法为基础,基于历史知识利用的途径,提出两种新的具备历史借鉴能力的软划分聚类模型(分别简称SPBC-RHK-1和SPBC-RHK-2)。SPBC-RHK-1是仅借鉴历史类中心的基础模型,SPBC-RHK-2则是以历史类中心和历史隶属度相融合为手段的高级模型。通过历史知识借鉴,两种模型的聚类有效性均得到有效提高,比较而言具备更高知识利用能力的SPBC-RHK-2模型在聚类有效性和鲁棒性上具有更好的表现。由于所用历史知识不暴露历史源数据,因此两种方法还具有良好的历史数据隐私保护效果。最后在模拟数据集和真实数据集上的实验验证了上述优点。     

具备迁移能力的类中心距离极大化聚类算法

传统的聚类算法在以下两种情况下存在直接失效的风险：一是数据稀少或存在大量干扰数据;二是为了调控数据间的差异性,对数据集进行缩放。为了同时解决上述两个问题,提出了历史知识迁移准则与中心间距极大化准则,并将其运用到极大熵聚类算法中,称之为具备历史迁移能力的中心极大化聚类算法。算法有三大突出的优点：在当前数据稀少或存在污染时,算法有效利用了历史知识进行迁移学习,从而证明了较好的聚类有效性;在数据缩放到一定倍数时,传统聚类算法取得的类中心趋于一致,而算法利用类中心间距极大化准则,有效避免了类中心一致的问题;算法所利用的历史知识均不暴露历史源数据,因此算法具有良好的历史数据隐私保护效果。通过模拟数据集和真实数据集的实验,验证了算法的上述优点。     

迁移模糊聚类在医学PET/MRI快速衰减校正中的应用

为了避免PET/CT对病人造成大剂量的X辐射伤害和更好地对PET/MRI混合成像系统进行信号衰减校正。在组织分割方法的指导下,利用迁移模糊聚类算法将对人体无伤害的磁共振成像(MRI)划分成诸如空气、液体、软组织、骨头等不同组织成分,然后赋予不同组织不同的线性衰减系数,以此来实现配准的PET成像的衰减校正工作。本方法具有三大好处:(1)迁移模糊聚类算法可以利用历史高级知识来辅助当前病人MRI组织分割任务,从而保证了临床有效性和鲁棒性,降低了环境噪声、数据缺失及个体解剖结构差异等因素对算法的不良影响;(2)本算法内嵌的基于迁移学习的简单抽样策略,在保证算法鲁棒性的同时,极大地缩短了聚类划分的整体时间,适用于医学MRI大数据快速聚类分割的场合,因而有效地增强了算法的实用性;(3)本算法涉及的历史MRI知识,都是通过历史MRI源数据高度总结得到,非历史MRI源数据,这有效地保护了病人隐私,符合医学诊断的基本要求。通过在真实数据集上的实验表明了上述优点。