一种基于粒子群优化的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和时初始值敏感的缺点。本文提出了一种基于粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足。实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度。     

基于改进粒子群优化聚类算法的故障诊断方法

针对模糊C均值聚类算法(FCM)中聚类结果受初始聚类中心影响突出的缺陷,利用粒子群优化算法(PSO)全局优化能力显著的特性,提出一种基于粒子群改进的模糊C均值聚类算法(PSO-FCM).该算法首先通过PSO优化算法得到一个最优值,然后利用该最优值初始化FCM聚类中心,从而优化了FCM算法的聚类结果.最后将该算法应用于电机故障诊断中,实验表明,该算法弥补了FCM算法的缺陷,提高了聚类的效率和准确性,改善了故障诊断结果.     

一种粒子群算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类算法（FCSS）广泛应用于模式识别与机器学习领域。由于其采用传统的基于梯度法和交替寻优策略求解模型,对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。本文将现代全局优化方法之一的粒子群优化算法与模糊球壳聚类算法（FCSS）相结合,利用粒子群算法良好的全局收敛能力来改善传统聚类算法易于陷入局部极值的缺陷,从而得到一种新的球壳聚类算法（PSO-FCSS）,数值实验表明,新方法对球壳形数据有令人满意的聚类效果。     

基于自适应混沌粒子群的Web搜索结果聚类研究

提出了基于自适应混沌粒子群的Web搜索结果模糊C-均值算法,用粒子群算法代替模糊C-均值算法梯度下降的迭代过程,同时引入自适应的平衡搜索策略加快算法收敛和提高去噪能力,在增强局部搜索能力的同时引导粒子群跳出局部极值点.这样不仅在一定程度上解决了网页文档不确定性的问题,而且获得快速、稳定的聚类效果.     

基于粒子群优化非局部模糊聚类图像分割算法

为提高局部模糊聚类算法(WFLICM)对噪声图像 分割的抗噪性,克服模糊聚类图像分割算法对初 始聚类中心的敏感性及易陷入局部最优问题,在WFLICM算法的基础上提出一种基于粒子群 优化的融合 局部和非局部空间信息的模糊聚类图像分割算法(PSO-WMNLFCM)。首先,利用粒子群优化 算法的全局 寻优能力得到最优粒子,并以此粒子作为模糊聚类算法的初始聚类中心。其次,用像素的非 局部空间信息 替换模糊因子中的局部邻域值,产生新的目标函数。最后,由拉格朗日乘子法最小化目标函 数,得到隶属 度和聚类中心的更新公式,从而完成图像分割。仿真结果表明,PSO-WMNLFCM算法相比于 模糊局部聚 类(FLICM)算法、局部模糊权重(WFLICM)算法、非局部模糊聚类(NLFCM)算法、非局部模 糊聚类 (MNLFCM)算法、基于粒子 群的局部模糊聚类(PSO-FLICM)算法的划分系数提高了20.92%,20.51%,24.84%,1.44%,23.28%左右。     

一种新的基于粒子群密度的聚类算法

提出了一种新的粒子群密度聚类算法和对粒子群的初始化方法。该算法具有传统粒子群算法寻找最优解的特点,同时从密度的角度考虑了数据总体的分布,增强了寻找局部最优解的能力,并通过对粒子群的初始化加快了粒子群的收敛速度,得到了更好的聚类效果。对仿真数据和IRIS真实数据的实验结果证明,该算法聚类效果优于传统粒子群聚类算法和K均值算法。     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

基于模拟退火和粒子群改进的图像分割FCM方法

针对模糊C均值聚类(FCM)算法在分割图像时需要事先给出聚类数和容易陷入局部极小值的问题,提出一种新的FCM算法。首先,利用粒子群算法更新FCM的聚类中心,以加强算法的搜索能力,提高收敛速度;其次,根据模拟退火准则决定是否接受新的聚类中心,以得到当前迭代下的全局最优值;最后,设定有效性函数寻找图像的最佳聚类数,使算法具有自适应判断图像类别个数的能力。实验结果表明,该算法具有较好的全局收敛性,并且在未知聚类数的情况下能自适应寻找图像的最佳分类个数。     

基于改进FCM算法的卫星云图聚类方法研究

卫星云图是研究天气系统演变规律的重要信息,云层内容从卫星云图中提取出来可以有助于云图分析,减少陆地和海洋信息的干扰.为此采用了模糊C均值聚类算法(FCM)进行云图聚类,该算法具有计算效率高,过程简单的优点,但对初始聚类中心敏感,容易陷入局部最优解.针对此问题,本文将全局性良好的粒子群优化算法(PSO)引入 FCM 聚类算法,克服了初始聚类中心对全局收敛性的影响.同时,将阴影集理论与该混合算法结合起来,去除聚类过程中的异常值,提高算法的效率.通过红外云图聚类对比实验得出,改进的FCM算法与传统的FCM算法相比,聚类结果图的类间距离增大,类内距离减小,聚类质量有所提高.     

粒子群优化的聚类方法在图像分割中的应用

图像分割和对象提取是从图像处理到图像分析的关键步骤.K-均值聚类算法和粒子群优化方法结合,即将K-均值方法的结果作为一个粒子并采用粒子群优化的方法,通过适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心.并将此方法应用于图像的分割.最后,将两种方法的处理结果进行了比较,结果表示基于PSO聚类方法对图像的分割效果比原算法有所改进.     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.     

一种基于粒子群优化的稀疏恢复算法

稀疏恢复问题是目前国际数学与信息处理领域的一个研究热点,主要通过凸松弛法和贪婪追踪法两大类方法求解。但前者在恢复效率方面,后者在恢复能力方面都存在缺陷,而且两者都不能对高斯信号在较大的稀疏度下或在较小的观测度下获取有效的恢复。该文基于粒子群优化并结合了贪婪追踪法的思想,提出了一种新的稀疏恢复算法。数值实验表明,与其它方法相比,该文提出的算法不仅能获得更有效的恢复,而且在一般的稀疏度和观测度条件下运行速度较快。     

基于直觉模糊Memetic框架的双粒子群混合优化算法

为了平衡粒子群算法多样性与收敛速度,本文在Memetic框架下结合多属性决策,提出基于直觉模糊Memetic双种群混合优化算法.算法采用探索与开发分布式策略,在探索阶段,设计了社会强化算子和碰撞反弹算子提升种群多样性与勘探更多新区域;通过建立直觉模糊多属性决策对探索区域综合评估并生成可能存在的全局最优解区域,进而指导具...     

基于微粒群算法的聚类分析

文章将微粒群算法应用于数据挖掘的聚类分析。在对微粒群算法进行改进的基础上．提出了基于微粒群算法的聚类分析。理论分析和仿真结果表明该算法是有效的。     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

一种基于粒子群优化的自适应均衡算法

提出了一种自适应信道均衡的方法,它利用粒子群优化算法对均衡器系数进行自适应调整.由于粒子群优化算法具有实现简单、性能函数的单调性强、搜寻全局最优解的能力强等优点,将其用于自适应信道均衡将会改善传统均衡器均衡效果不理想的问题.仿真结果表明,该方法实用有效,在信道失真较大和最优解搜索精度方面表现出了优越性.     

基于微粒群的颜色量化算法

将微粒群算法应用于彩色图像的颜色量化.根据种群的进化原理,在RGB彩色空间中对图像像素的颜色值进行聚类,通过迭代寻优确定最优调色板,然后进行像素的颜色映射,从而完成量化工作.仿真实验表明,该算法具有颜色失真小,收敛性好,鲁棒性强和受初始条件影响小等特点,是一种有效的颜色量化算法.