一种基于改进PSO和FCM的图像分割算法

在模糊C-均值聚类算法的基础上,提出了基于改进粒子群和模糊C-均值聚类的混合图像分割算法.该算法利用改进粒子群算法优化模糊C-均值的目标函数,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数和聚类中心实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割.实验结果表明...     

改进的模糊C-均值算法在图像分割中的应用

针对传统的模糊C-均值算法在图像分割中存在的缺陷,提出了一种基于点密度函数加权的模糊C-均值聚类算法。将图像像素的点密度函数作为权值,并依据类间相关度定义了一个聚类有效性函数用以确定最佳聚类数,结合聚类有效性完成对图像的分割。理论分析和对比试验表明,该算法在一定程度上克服了模糊均值算法的缺陷,在图像分割中具有良好的分类精度。     

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.     

基于目标函数的直觉模糊聚类图像分割方法

针对模糊C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的直觉模糊C-均值聚类算法.该算法将纹理特征和直觉指数引入到目标函数,并给出改进的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,实验结果表明了算法的有效性.     

基于规则选取和补偿运算的模糊系统建立方法

为了解决模糊系统建立过程中规则数目的选择问题,提出了一种模糊系统建立方法。该方法利用K均值法计算聚类中心,不需要预先给出聚类的数目,聚类的数目根据聚类准则函数的收敛性决定,同时在算法结构中引入补偿因子以增强算法的稳定性,再结合梯度下降法辨识后件参数,从而得到模糊系统。与传统的模糊系统建立方法进行比较,该方法提高了辨识精度且能自动生成模糊规则,避免了规则数目选取的盲目性。最后将该方法用于辨识单元机组的协调控制系统,仿真结果表明了该算法的有效性和快速性。     

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．     

双边加权直方图模糊C-均值聚类分割算法

针对小目标图像分割的问题,提出一种双边加权直方图模糊C-均值聚类分割算法。该算法将样本信息和几何结构信息作为权值,对传统模糊C-均值聚类分割算法进行双边加权。并对加权聚类分割目标函数进行最优化推导,获得迭代求解的隶属度、聚类中心和聚类几何信息权表达式。对比实验表明,该分割算法能得到较好的分割效果。     

改进的初始中心与隶属度函数的模糊C-均值算法

针对模糊C-均值(FCM)算法对初始中心敏感的缺点,通过选取离均值最远的点作为初始聚类中心的方法,提出了一种基于均值距离的初始中心选取算法,同时由于远离各类聚类中心的野值样本会影响迭代结果,通过改变隶属度函数来克服这种缺陷.然后选取有代表性的样本作为实验数据集进行实验,通过实验得出,与传统的FCM算法比较,改进的FCM...     

基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

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。     

一种基于复杂网络属性值的K-means聚类算法

传统K-means聚类算法的性能依赖于初始聚类中心的选择。本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的个节点作为聚类的初始聚类中心,然后进行聚类迭代过程。实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量。     

Similarity matrix-based K-means algorithm for text clustering

K-means algorithm is one of the most widely used algorithms in the clustering analysis. To deal with the problem caused by the random selection of initial center points in the traditional algorithm, this paper proposes an improved K-means algorithm based on the similarity matrix. The improved algorithm can effectively avoid the random selection of initial center points, therefore it can provide effective initial points for clustering process, and reduce the fluctuation of clustering results which are resulted from initial points selections, thus a better clustering quality can be obtained. The experimental results also show that the F-measure of the improved K-means algorithm has been greatly improved and the clustering results are more stable.     

一种高效的基于初始聚类中心优化的K-means算法

为解决传统K-means算法初始质心的随机选取以及聚类过程中每个数据样本到聚类中心距离的重复计算问题,提出了一种高效的基于初始聚类中心优化的K-means算法,采用最小方差优化初始质心,通过存储每次迭代中所有数据点的簇标志和到最近聚类中心的距离并用于下一次迭代,避免了重复计算数据点到每个中心的距离。在UCI数据库中五个不同的数据集上进行了测试,对各个算法在聚类准则函数,运行时间以及迭代次数上进行实验结果比较,表明在不降低聚类性能的前提下,减少了迭代次数,缩短了聚类时间,证明了改进算法的有效性和高效性。     

基于近邻传播的限定簇数聚类方法研究

针对传统近邻传播聚类算法不能进行限定类簇数目的聚类缺陷,提出一种三阶段的改进聚类方法。该方法通过近邻传播聚类从数据集中获得中心代表点集合,利用K-means算法对中心代表点集合进行指定类簇数目的聚类进而获得初始训练集,结合改进的K最近邻算法实现数据的聚类分析。采用人工仿真数据及UCI数据集进行对比实验,实验结果分析表明,与近邻传播聚类算法和传统限定类簇数目的聚类算法相比,新聚类算法具有更好的聚类效果。     

二维卷积非负矩阵分解的初值确定混合算法

为解决二维卷积非负矩阵分解算法存在初值敏感,且传统随机初始化确定的初始值容易使算法收敛到结果相对不好的局部最优值的问题,通过结合K均值聚类、奇异值分解和主成分分析方法,提出了一种适用于二维卷积非负矩阵分解初始值确定的混合算法.首先,利用K均值聚类方法得到聚类中心作为系数矩阵(H矩阵)的初始值,避开了传统初始化不确定系数矩阵带来的分解结果不唯一问题;其次,考虑到相比一维卷积非负矩阵分解算法,二维卷积非负矩阵分解算法的基矩阵(W矩阵)个数更多,利用奇异值分解和主成分分析方法交替产生基矩阵的初始值,克服了单个算法产生的初始化误差问题.在相同参数环境下将本文算法和现有初始化算法的分解收敛性能进行对比实验,结果表明本文算法相比其他同类算法具有更好的分解性能并具有更好的收敛性.进一步加入噪声进行实验,在白噪声为-1 dB～10 dB的不同信噪比环境下,本文算法均能快速实现信号的分离,对于噪声数据具有很强的鲁棒性.采用混合算法确定初值,更有利于实现二维卷积非负矩阵分解的实时性和高性能.     

基于数学形态学FCM聚类原型图像降噪方法

由传感器得到的图像往往含有大量噪声,针对目前常用的二维直方图算法在图像噪声检测与分离过程中存在的不足,以及传统FCM聚类算法的特点,提出了一种基于数学形态学的FCM聚类原型初始化方法:首先基于数学形态学理论确定图像初始聚类点簇,然后运用FCM对点簇进行处理。理论分析与实验表明,该方法能有效消除图像中的噪声点,对均匀噪声背景下图像处理有一定的应用价值。     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于统计学习的自适应文本聚类

针对文本数据的高维性和稀疏性从而使传统的聚类算法在文本聚类应用中的表现不能让人满意的问题,通过计算文档相似度矩阵,在聚类过程中动态地统计学习已划分和未划分文本集合的相关信息,探测剩余未划分的数据集中的与已划分类簇覆盖度较小的最大密集区域,逐步生成预定数目的初始聚类中心集合,最后将剩余文档划分到最相似的初始聚类中心集合完成聚类,从而有效地减小了划分聚类算法对初始聚类中心的敏感性。算法中的一些阈值参数均通过在聚类过程中动态地对数据集进行统计学习得到,避免了多数聚类算法通过经验或实验设定阈值参数的盲目性,在不同     

电力投资回收模型新探

鉴于按照传统的静态投资回收方式回收投资，使固定资产投资额巨大的电力工业企业无力收回投资原值的状况，提出了一种新的投资回收方法，主要着眼于对投资全部价值的回收     

基于模糊C均值聚类和减法聚类结合的图像分割

针对模糊C均值聚类算法（FCM）聚类过程中,初始聚类中心通过随机产生、类别数的确定通过预定义的方式实现的问题,利用减法聚类（SCM）以及聚类有效性函数,实现对FCM聚类过程的聚类中心和聚类类别数自动进行设定,实现了数据的自适应聚类,并将其应用到了CT图像的自动分割中。实验结果表明,该方法是有效的。