量子蚁群模糊聚类算法在图像分割中的应用

针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。     

基于样本密度KFCM新算法及其在故障诊断的应用

摘要：针对传统核模糊聚类(KFCM)算法无法克服边界噪声数据影响且对初始聚类中心敏感的不足,提出一种基于样本密度和最大类间方差法相结合的KFCM算法。该算法在传统的KFCM算法中引入样本分布密度作为权重,克服噪声及边界数据对分类中心的影响,使样本的聚类效果更好,同时还可以分析各样本对聚类的贡献程度。此外利用最大类间方差法对样本密度进行分割,得到各类中心点并以此作为KFCM算法的初始聚类中心,克服了传统算法对初始值敏感的不足。对各种实际数据集的测试结果均显示出新算法的优良性能。最后利用新算法对轴承故障进行诊断,试验结果表明新算法的诊断率优于传统的聚类算法。     

自适应局部独立分量分析

提出一种自适应局部独立分量分析降噪算法。该算法先将一维时间序列重构到高维相空间,用聚集模糊K均值聚类和聚类评价函数求取高维数据集的聚类个数和聚类中心位置,然后利用K均值聚类寻找局部投影区间,对每个聚类进行独立分量分析并投影到低维空间,将低维空间数据排列并重构成一维时间序列。与使用聚类的局部独立分量分析相比,该算法具有自适应性和稳定性。使用数值仿真试验和齿轮故障信号对该算法进行验证,结果表明该算法对此类信号具有良好的降噪效果。     

模拟退火与模糊C-均值聚类相结合的图像分割算法

模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点.将模拟退火算法(SA)与模糊C-均值聚类算法相结合,在合理选择冷却进度表的基础上,依据模糊C-均值聚类算法建立模拟退火算法的目标函数,实现了基于模拟退火的模糊C-均值聚类图像分割算法.实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果.     

改进FSVM在发动机振动故障融合分析中的应用

摘 要：对模糊支持向量机中的传统隶属度确定函数进行了改进,得到了紧密度隶属函数的模糊隶属度确定方法;针对航空发动机整机振动中多类故障诊断的特点,引入模糊隶属度函数建立了更有效地FSVM融合诊断的数学模型,并将该模型应用到航空发动机整机振动故障诊断中。计算结果显示：该方法不但具有较高的正确诊断率,而且也具有很强的抗噪声能力,从而为航空发动机整机振动故障分析提供了一种新方法。     

多重分形近似熵与减法FCM聚类的研究及应用

提出了一种基于多重分形与近似熵相结合的信号特征量提取方法,应用于齿轮箱的故障信号诊断中。针对齿轮箱的故障信号的复杂性,先用减法聚类对提取到的信号特征量进行处理,得到初始聚类中心,然后再用模糊C均值聚类(FCM)作进一步处理,实现齿轮箱故障的自动诊断和识别。多重分形谱提取的特征量如谱宽,可以表示信号的波动程度,而近似熵可以表示信号的复杂程度。两者结合可以得到更加准确的齿轮箱故障信号模式。减法聚类可以有效解决FCM容易陷入局部最优的问题,还可以提高收敛速度。提取的特征参数作为聚类分析的数据,通过计算数据点与聚类中心的隶属度判定所属类型,实现齿轮箱故障类型聚类以及模式识别。通过风力发电机齿轮箱故障诊断实验,证明该方法的可行性和有效性。为齿轮箱故障诊断提供了一种新的有效途径。     

基于SSPSO优化GRNN的水电站厂房结构振动响应预测

提出基于优胜劣汰、步步选择的粒子群优化算法(SSPSO),弥补了一般粒子群优化算法容易陷入局部极值、早熟收敛或停滞的缺陷。并运用SSPSO对广义回归神经网络(GRNN)平滑参数P进行优化,充分利用SSPSO寻优能力强及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,对某厂顶溢流式水电站的厂坝结构振动响应问题展开预测研究。通过分析预测效果得出:与一般的粒子群算法相比,所提出的SSPSO算法的寻优能力得到了很大的提高。与此同时,基于SSPSO优化的广义回归神经网络(SSPSO-GRNN)与其他网络相比,在预测精度、收敛性能、泛化能力等各个方面得到了很大提升。为水电站厂房振动响应预测提供了新的方法和思路,为增强厂房结构的智能化监测提供了保障。     

基于改进人工鱼群算法的机械故障聚类诊断方法

发展新的理论或方法快速准确地实现机械故障信号的聚类诊断是众多学者研究热点。由于人工鱼群优化算法具有结构简单,良好的并行性、快速性等特点,把人工鱼群优化算法引入机械故障诊断中。基于人工鱼群算法的基本原理提出了一种改进的人工鱼群追尾聚类算法,定义了相似度因子和聚类判别因子,建立了模拟人工鱼群追尾行为的机械故障聚类诊断模型,并将之应用于机械故障特征信息的聚类分析。实例分析表明了本文方法的有效性。     

一种基于FCM-PCM模型的曲线识别算法

FCSS算法和FCM算法具有相同的优缺点，而与FCM和PcM相结合的聚类算法能很好的解决FCM算法容易陷入局部极值点的缺点。在本文中，首先证明了用此FCM-PCM模型来对曲线进行识别的可行性。数值实验表明：新方法对球壳型数据有令人满意的效果。     

基于遗传模糊C-均值聚类算法的除湿机故障诊断

针对除湿机系统的故障诊断问题及其特点,以CFTZ21型除湿机为对象,应用模糊C-均值聚类（FCM）算法进行了研究;引入遗传算法对传统模糊C-均值聚类算法进行了改进,克服了传统算法的不足;结合实验采集到的数据样本,对改进后的遗传模糊C-均值聚类算法进行检验,结果达到预期效果,由此说明,将改进的FCM应用于除湿机故障诊断是可行的。     

基于Dirichlet过程的无线视频码率变化识别算法

研究了通过对终端视频帧质量的聚类分析来识别无线视频传输中码率变化的方法,以便为无线视频传输过程中视频码率自适应调整提供参考依据.针对经典模糊C均值(FCM)算法和K均值(K-means)算法需要设定聚类数目的问题,提出一种基于荻利克雷过程(DP)的FCM算法——DP-FCM算法.该算法将Dirichlet过程和FCM算法相结合,由视频帧信息权重峰值信噪比(IWPSNR)值使用DP过程混合模型模拟估计出聚类数目,然后进行FCM模糊聚类,通过设定合理的阈值,合并聚类结果相似项,完成视频帧的聚类,从而实现视频传输码率变化的识别.以LIVE视频库为试验数据源,对该算法进行了性能测试.试验结果表明,DP-FCM算法能够在无需设定聚类数目的前提下实现视频传输码率变化的分类识别.     

Fuzzy C-Means Algorithm Automatically Determining Optimal Number of Clusters

In clustering analysis, the key to deciding clustering quality is to determine the optimal number of clusters. At present, most clustering algorithms need to give the number of clusters in advance for clustering analysis of the samples. How to gain the correct optimal number of clusters has been an important topic of clustering validation study. By studying and analyzing the FCM algorithm in this study, an accurate and efficient algorithm used to confirm the optimal number of clusters is proposed for the defects of traditional FCM algorithm. For time and clustering accuracy problems of FCM algorithm and relevant algorithms automatically determining the optimal number of clusters, kernel function, AP algorithm and new evaluation indexes were applied to improve the confirmation of complexity and search the scope of traditional fuzzy C-means algorithm, and evaluation of clustering results. Besides, three groups of contrast experiments were designed with different datasets for verification. The results showed that the improved algorithm improves time efficiency and accuracy to certain degree.     

Cloud manufacturing resources fuzzy classification based on genetic simulated annealing algorithm

To solve the problem of fuzzy classification of manufacturing resources in a cloud manufacturing environment, a hybrid algorithm based on genetic algorithm (GA), simulated annealing (SA) and fuzzy C-means clustering algorithm (FCM) is proposed. In this hybrid algorithm, classification is based on the processing feature and attributes of the manufacturing resource; the inner and outer layers of the nested loops are solving it, GA obtains the best classification number in the outer layer; the fitness function is constructed by fuzzy clustering algorithm (FCM), carrying out the selection, crossover and mutation operation and SA cooling operation. The final classification results are obtained in the inner layer. Using the hybrid algorithm to solve 45 kinds of manufacturing resources, the optimal classification number is 9 and the corresponding classification results are obtained, proving that the algorithm is effective.     

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法（SFFCM）。先用简单线性迭代聚类（SLIC）算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类（FCM）算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。     

An improved fuzzy clustering method for cellular manufacturing

Fuzzy c-means (FCM) has been successfully adapted to solve the manufacturing cell formation problem. However, when the problem becomes larger and especially if the data is ill structured, the FCM may result in clustering errors, infeasible solutions, and uneven distribution of parts/machines. In this paper, an improved fuzzy clustering algorithm is proposed to overcome the deficiencies of FCM. We tested the effects of algorithm parameters and compared its performance with the original and two popular FCM modifications. Our study shows that the proposed approach outperformed other alternatives. Most of the solutions it obtained are close to and in some cases better than the control solutions.     

A novel brain image segmentation using intuitionistic fuzzy C means algorithm

A process of splitting the image into pixel bands is the image segmentation. As medical imaging contain uncertainties, there are difficulties in classification of images into homogeneous regions. There is a need for segmentation algorithm for removing the noise from the medical image segmentation. The very popular algorithm is Fuzzy C‐Means (FCM) algorithm used for image segmentation. Fuzzy sets, rough sets, and the combination of fuzzy and rough sets play a prominent role in formalizing uncertainty, vagueness, and incompleteness in diagnosis. But it will use intensity values only which will be highly sensitive to noise. In this article, an Intuitionistic FCM (IFCM) algorithm is presented for clustering. Intuitionistic fuzzy (IF) sets are generalized sets and their elements are characterized by a membership value as well as nonmembership value. This IFCM has an uncertainty parameter which is called hesitation degree and a new objective function is integrated in the standard FCM based on IF entropy. The IFCM will provide better performance than FCM for image segmentation.     

基于模糊聚类的光电经纬仪多子弹弹道测量

本文对密集多子弹在空间坐标系中的左右相机弹点分布识别提出了一种新的方法。在各帧拍摄所得多子弹成像点中,提取子弹的形心坐标,根据子弹运动特点建立状态方程和测量方程,利用Kalman算法进行滤波。利用模糊c-均值聚类算法确定测量与弹丸轨迹的关联程度,从而实现弹道识别。仿真实验结果说明,该方法能有效地进行多子弹的弹道识别跟踪,并且算法简单、计算量小、易于工程实现。