融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于免疫克隆选择的最优ECOC编码输出

纠错输出编码（Error Correcting Output Codes,ECOC）是解决模式识别领域多类分类问题的有效工具。在寻找最优编码输出的问题上,现有方法忽略了样本类别之间的相关性,导致学习效率和分类效果低下。为构造数据感知的编码矩阵,提出基于免疫克隆选择（Immune Clonal Selection Algorithm,ICSA）的最优纠错输出编码方法,将矩阵构造的多约束NP（Non-deterministic Polynomial,NP）难问题转换为优化搜索问题.首先基于分类精度和编码长度定义亲合度函数,然后结合样本知识改进变异交叉算子,根据约束性条件对矩阵进行搜索,从而快速有效地构建最优ECOC编码.实验表明该方法能够在提升多类分类精度的同时加快算法效率,而且输出的编码矩阵更加紧凑.     

基于模糊C均值聚类的锦标赛选择机制与多目标优化研究

本文提出了一种用于多目标优化的进化算法--基于模糊C均值聚类的进化算法（A Fuzzy C-Means Clustering Based Evolutionary Algorithm,FCEA）.在算法的迭代过程中,先利用模糊C均值聚类算法寻找种群的分布结构,通过对每一代种群进行模糊划分,获得每个个体隶属于每一类的隶属度,然后本文设计了一种基于隶属度的锦标赛选择算子,用于从整个种群中选择相似个体进行重组,引导算法进行搜索.实验结果表明,基于隶属度的锦标赛选择算子的应用能够提升算法的性能,与MOEA/D-DE、NSGAⅡ、SPEA2、SMS-EMOA等先进的优化算法进行比较的结果表明,FCEA在求解具有复杂Pareto前沿的多目标优化问题（GLT系列）时具有一定的竞争力.     

基于免疫克隆选择和语义计算的自适应资源检索算法

针对传统聚类算法存在的聚类类别数难以确定、易陷入局部极大和无法反映用户反馈的语义信息的问题,提出了一种基于免疫克隆选择和语义计算的自适应资源检索算法。其主要处理环节是使用语义相似度计算公式来计算抗体的免疫优势;引入了自适应优先算子来动态调解聚类类别,检查用户动态反馈的有效性;引入组合因子来增加抗体种群中个体的多样性,以扩大解的搜索范围,避免过早出现早熟现象;实验结果表明,使用该算法比传统聚类算法具有良好的收敛性、稳定性和更高的全局最优。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于半监督学习聚类数据标注的多功能雷达工作模式识别

对多功能相控阵雷达工作模式准确识别可为电子对抗决策提供依据，具有重要研究意义。现有工作模式识别方法主要基于已知标签的训练集，而实际中先验信息匮乏，数据标签难以获知，极大影响了工作模式识别性能。为此，提出了一种在少量先验信息辅助下基于半监督学习聚类实现未知数据标注的工作模式识别方法。首先根据聚类算法的内部评价指标和外部评价指标对比分析AP聚类(affinity propagation clustering)、DBSCAN聚类(density-based spatial clustering of applications with noise)和模糊C均值聚类(fuzzy C-means clustering, FCM)3种典型聚类算法的性能，验证了AP聚类算法性能最优，并将其应用于对截获数据的数据标注中。然后利用卷积神经网络对雷达工作模式进行识别，并与已知标签训练集下的网络进行对比，验证了基于AP聚类算法进行数据标注的可行性，提升了相较传统识别网络的抗噪性，为后续多功能雷达行为认知提供了基础。     

一种改进的FCM遥感图像变化检测方法

针对传统模糊C均值(Fuzzy C-Means,FCM)算法受初始聚类中心影响而陷入局部最优的问题,提出了一种基于遗传算法(Genetic Algorithm,GA)的改进模糊C均值聚类算法。主要通过差值法获得图像的差异图,利用主成分分析(Principal Component Analysis,PCA)法提取变化影像的主要特征信息,利用遗传算法(GA)群体搜索的优点对传统的模糊C均值算法进行改进。对遥感图像的变化检测实验表明,改进的聚类算法克服了传统算法的缺点,在保留图像细节特征的前提下能有效提高检测精度,相比其他几种常见的聚类算法更有优势。     

分布式MIMO系统一种基于容量最大化准则的快速天线选择算法研究

由于分布式MIMO系统中的穷举天线选择算法复杂度较高,难以实现的缺点,因此本文提出了一种低复杂度的基于容量最大化准则的快速天线选择算法（Fast Antenna Selection Algorithm based on Maximum Capacity Criteria,简称FASAMCC）。该算法以容量最大化为依据进行端口的动态选择,并采用快速天线选择算法来进行天线的选择。仿真表明FASAMCC不仅复杂度低,而且其性能接近穷举算法。     

基于文化算法的模糊聚类分析

分析了模糊c均值(Fuzzy C Mean)聚类算法存在的不足,提出了基于文化算法的新型聚类算法.文化算法具有双层机构的特性,能从进化种群空间中获得求解问题的知识(即信仰)来指导搜索过程,从而具有较好的全局寻优性能.仿真实验表明,基于文化算法的聚类分析方法能在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,具有较好的聚类结果,且需要较少的计算量.     

基于空间信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值(Fuzzy C-means, FCM)聚类算法对噪声鲁棒性差的问题,提出一种基于空间信息的模糊C-均值噪声图像分割算法。将区域级信息加入FCM目标函数中,并用核度量方法代替传统欧氏距离,计算区域级空间信息与聚类中心的距离,提高算法对噪声的鲁棒性;用原始图像与区域级空间信息的绝对差的倒数和其本身约束原始图像和区域信息项,实现约束项参数的自适应选择;利用连通分量滤波,消除聚类结果中出现的过分割现象,提高分割精度。含噪合成图像和彩色图像实验表明,所提算法在模糊分割系数、模糊分割熵、分割精确度、平均交互比和归一化互信息等方面均优于其他几种聚类算法。     

自适应免疫克隆选择文化算法

 免疫克隆选择算法中,单纯采用克隆选择机制的全局收敛能力较差,而采用（μ+λ）选择机制则容易陷入早熟收敛。为兼顾算法的搜索和探索能力,提出一类自适应免疫克隆选择文化算法。该算法采用文化算法的双层进化机制,提取并利用进化过程中的隐含知识,有机结合克隆选择和（μ+λ）选择两种机制,从而给出一种基于知识的自适应调整选择机制的混合选择策略。针对标准测试函数的仿真结果表明,该算法具有更稳定的全局收敛性能及较快的收敛速度。     

基于免疫克隆算法的最优M序列搜索

二相编码脉冲压缩信号例如巴克码和M序列已经广泛应用于现代雷达系统中。二相编码波形设计中初始移位寄存器的选择是个关键技术，它直接决定了信号波形在满足最小峰值功率下能否具有最大脉压比。基于免疫学中的抗体克隆选择，提出了用免疫克隆算法（ICSA）来搜索M序列最优初始移位寄存器值。与标准遗传算法（SGA）和一种混合遗传算法（HGA）相比，文中提出的方法有效地战胜了早熟现象，得到了更优的搜索结果。实验结果证明了此算法的可行性和有效性。     

一种基于CSA的模糊聚类新算法

在聚类分析中,模糊k均值算法是目前应用最为广泛的方法之一,然而该算法对初始化敏感,容易陷入局部极值点。为此,该文提出一种基于克隆选择的模糊聚类新算法以实现全局优化处理。在新算法中,由于克隆算子能够将进化搜索与随机搜索、全局搜索和局部搜索相结合,因而通过对候选解进行克隆算子操作,能够快速得到全局最优解。用人造数据和IRIS实际数据所做测试结果表明了新算法的有效性。     

带受体编辑的克隆选择组播路由算法

 DE Castro提出的克隆选择算法（CSA）中,抗体的多样性主要通过高频变异来实现,而实际 生物免疫系统中还有一个重要的操作是受体编辑.受此启发,提出了带受体编辑的改进克隆 选择算法.该算法利用未成熟优良子群体提供的优良基因片断,根据路径代价最小化和延时 要求对抗体进行两次受体编辑.这样,在无需求解备选路径集的情况下,直接运用该改进算 法可快速寻到最优解.在时延受限组播路由的仿真实验中表明：该算法比一般CSA算法和遗传 （GA）算法的搜索效率更高,算法复杂度更低.     

一种基于CSA的混和属性特征大数据集聚类算法

在数据挖掘中,我们经常会遇到和分析大量具有数值和类属特征的数据.然而,现有的大多数分类算法只能单独处理数值特征数据或类属特征数据,而不能分析具有两种混合属性的数据.为此,本文提出一种基于克隆选择的模糊聚类新算法,通过改进距离测度函数将数值特征与类属特征相结合,从而实现具有混合属性特征数据的聚类分析;通过引入克隆选择算法(CSA)实现目标函数的全局优化.由于克隆算子能够将进化搜索与随机搜索、全局搜索和局部搜索相结合,因而通过对候选解进行克隆算子操作,能够快速得到全局最优解.实验结果表明,基于CSA的模糊聚类新算法对于处理具有混和特征的大数据集聚类问题是相当有效的.     

分布式入侵检测系统中动态克隆选择算法的设计

在介绍人工免疫系统基本概念的基础上,讨论了基于人工免疫的入侵检测算法,重点讨论阴性选择算法和克隆选择算法,提出了一个基于人工免疫的入侵检测系统的模型,并针对传统克隆选择算法耗时性大的缺点对算法进行优化设计。理论分析和实验表明,算法的检测效率有了明显的改善。     

免疫克隆选择算法在雷达信号时频原子分解中的应用

针对传统时频原子在雷达信号分解中计算复杂度比较高的问题,提出了一种基于免疫克隆选择算法的时频原子快速分解方法。首先将Chirplet原子库分解为小原子库,然后并行地在每一个小原子库中搜索最佳原子,搜索过程建模为多参数寻优问题,通过免疫克隆选择算法的克隆、变异、记忆、替换等操作求解最优值,最后比较每一个小原子库中的最佳原子,将相似度最大的原子作为分解的最佳原子。仿真实验表明,该方法能够用较少的时频原子表示信号,在大幅减少时频原子搜索时间的同时,有效地抑制了噪声和交叉项的干扰。     

基于改进克隆选择算法的时延受限多播路由

所提改进的克隆选择算法主要利用未成熟优良子群体提供的优良基因信息,根据路径代价最小化的原则和延时要求,修改个体基因以改善种群质量,同时增加一个历史至当前代最佳个体记忆单元以防止种群退化.在无需求解备选路径集的情况,直接运用该算法可快速寻到最优解.对时延受限多播路由的仿真实验表明:该算法比一般克隆选择算法和遗传算法的搜索效率更高,收敛速度更快,且算法复杂度较低,顽健性更强.     

基于克隆算法的网络结构聚类新算法

基于目标函数的聚类算法是目前应用最为广泛的聚类分析方法之一.然而这类算法都需要类别数和聚类原型的先验知识,且只能分析具有相同原型的数值型数据.此外这类算法还存在对初始化敏感,易陷入局部极值点等弱点.为此,本文提出一种基于克隆算法的网络结构聚类新算法以实现聚类分析的自动化.由于新算法将克隆选择与禁忌克隆相结合,使网络既具有免疫的特异性又具有免疫的耐受性,通过分析网络神经元的最小生成树,能够快速准确地获得类别数以及相关的分类信息.对各种类型的数据集的测试结果均表明,本文提出的新算法对于处理具有混和特征的数据集聚类分析问题是相当便捷有效的.     

基于克隆选择和多重空间构造的彩色图像分割

该文提出一种基于克隆选择和多重空间构造的彩色图像分割方法。该方法首先将一些常见的颜色分量分为亮度成分、单频光谱成分、双频光谱成分、多频光谱成分,利用主分量分析技术(PCA)分别对其进行计算,得到最具有识别能力的颜色分量来构造多重颜色空间;然后利用克隆选择算法对样本进行自学习,得到全局最优的聚类中心;最后用得到的聚类中心对图像进行分割。由于该文的方法结合了克隆选择算法的非线性分类能力,通过对彩色图像自适应的构造最佳多重空间,能够快速准确地得到分割结果,克服了传统分割方法使用固定颜色空间以及容易陷入局部最优的缺点。通过实验表明,该方法对彩色图像同质区的分割均匀,边缘保持度好。此外,新方法对彩色图像的亮度和纹理变化不敏感,鲁棒性较强。