模糊聚类及其实际应用

随着模糊数学的产生和发展,模糊聚类分析也随之产生并得到广泛应用。本文主要介绍模糊聚类及其应用领域,分析和探讨模糊聚类的基本原理、方法,重点介绍C-均值聚类分析算法(FCM)以及减法聚类算法,并结合中国统计局的2005年度各行业废气排放和处理情况的数据用matlab模糊逻辑工具箱对其进行模糊聚类分析,所得结果可为各行业污染分类情况进行处理提供参考。     

模糊聚类算法在导航星识别中的应用

在现代化的天文导航系统中，星空的自动化识别对提高导航精度，计算速度以及导航系统的自动化程度均有很大的影响。本文基于模糊聚类分析的理论知识，提出了对导航星空进行聚类划分的数学算法，并进行了计算机仿真检验，结果表明此方法切实可行。     

改进模糊聚类算法在客户关系管理软件中的应用

本文考虑到现有CRM的局限性,引入了模糊数学相关算法,给数据对象的隶属度加上一个权值,以及在算法中用有效性函数来自动确定聚类数目C,理论分析与实验结果表明,在CRM环境下所引入的改进模糊聚类算法比传统模糊聚类算法有更好的聚类效果,更快的聚类速度。     

自动确定聚类个数的模糊聚类算法

本文通过集成多次FCM(Fuzzy C-Means)聚类结果以及采用软化分方式,提出一种新的自动确定聚类个数的模糊聚类算法.本算法首先利用不同的聚类数目对数据进行FCM聚类,然后充分利用多次FCM聚类得到的隶属度信息构建一个累积邻接矩阵,最后采用迭代方式对累积邻接矩阵进行图切分以获取最终聚类结果.大量的仿真实验表明,相对现有集成聚类方法,本文方法能够有效减少FCM的聚类次数,并且在图切分过程中的迭代次数为现有方法的1/2左右.     

基于核模糊聚类的雷达信号分选算法

在现代战争中,随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。对核模糊聚类进行了研究分析,并将其应用到雷达信号分选当中。仿真实验证明能够取得很好的雷达信号分选效果,为雷达信号分选提供了新的思路。     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

浅谈聚类算法在图像分割中的应用

聚类算法在图像分割领域有广泛的应用,本文通过对四种聚类算法的介绍与分析,深入了解其算法原理,以及其在图像分割领域中的应用效果,通过四种的算法的比较,总结出了各个算法的优缺点。     

雷达数据关联中动态加权模糊C-均值聚类算法研究

针对雷达本身及测量的运动目标淹没在大量的杂波中而导致所测数据的不准确问题,文中对雷达测量的大量目标数据进行卡尔曼滤波,以减少数据关联时的计算冗余量;并对模糊C-均值(C-Means)聚类算法进行改进,改进后的算法利用实时目标航迹斜率的变化率对传统的模糊C-Means聚类算法进行动态加权,从而使模糊C-Means聚类算法的目标函数最优化,优化后的目标函数确定的聚类中心更加逼近目标的实际值,从而保证数据关联的准确度,并减少了计算时间,提高算法的效率.仿真实验表明,将文中基于目标航迹斜率变化率动态加权的模糊C-Means聚类算法应用于曲线运动目标的数据关联中,与传统的模糊C-Means聚类算法相比,可以提高数据关联准确度和效率.     

灰色聚类分析法在雷达组网方案评价中的应用

借助灰色聚类分析模型,对雷达组网方案进行定量评价,以此方法来解决雷达组网的方案优选问题,并针对相关指标评价体系,通过实例进行验证,结果证明该方法在组网方案优选中应用灵活,说明的内容丰富。     

一种基于模糊加权的改进文本聚类方法

首先提出了一种优化初始中心点方法用以解决聚类的局部最优问题.同时通过样本的模糊加权减少边缘噪音数据对聚类效率的影响.文本聚类试验表明,该模糊文本聚类算法取得较好的聚类效果.     

基于模糊聚类的机载多功能毫米波雷达动态资源调度

详细介绍武装直升机载多功能雷达的工作环境和资源管理所面临的挑战.在深入分析雷达资源管理特点和影响资源调度算法的主要因素基础上,提出一种基于模糊聚类的自适应雷达资源动态调度算法.详细分析了跟踪事件和搜索事件的优先级模糊特征因子,给出合理的动态优先级模糊聚类数学模型.结果表明,基于模糊优先级聚类的动态资源管理算法在密集目标...     

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。     

基于模糊神经网络聚类模型的雷达目标识别方法

准确识别雷达目标类型和性质对于有效实施雷达对抗意义重大。分析了模糊Hopfield神经网络原理,构建了雷达目标识别的模糊Hopfield神经网络聚类模型,并结合实例进行了具体验证。     

基于模糊聚类的雷达信号分选方法

随着新体制、新技术雷达的不断出现，雷达侦察接收机接收到的雷达信号更加密集和复杂，传统的分选方法已不能对其进行有效分选，模糊聚类法能够利用雷达信号的特征参数有效地分选出常规和非常规雷达信号。文中采用了一种新的模糊聚类分析算法一跟踪法，该方法易实现编程，适用于处理大量数据，仿真实验证明分选结果较理想。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于人工鱼群聚类的雷达信号分选算法

随着科技的不断发展,各种新体制雷达的不断出现,使得电磁环境变得复杂多变,这就对雷达信号的处理提出了新的要求。目前普遍采用的基于直方图统计的信号分选方法已经不能满足当前雷达信号分选的要求。文中将人工鱼群聚类算法引入到雷达信号分选中,并对其进行了改进,对雷达信号分选进行了一种新的探索,该方法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

一种基于改进网格聚类的雷达信号预分选算法

基于网格的聚类算法是雷达信号预分选领域的一种常用方法。针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出一种改进的网格聚类算法,该算法对输入雷达信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。仿真实验验证了算法的有效性和抗噪声能力。     

模糊算法在雷达对抗中的应用

雷达抗干扰效果评估是雷达作战效能评估的一个重要环节。文中通过对现有雷达抗干扰技术和战术性能指标的分析,以及雷达抗干扰效能评估方法的研究,建立了评定雷达抗有源压制性干扰的模型,并给出了雷达抗干扰效果评估的方法和步骤。     

基于Otsu和模糊核聚类算法的极化SAR图像分类

随着极化技术的发展,越来越多的高分辨率SAR图像出现,对其分类成为一个耗时的工作。针对该问题,提出了基于Otsu和模糊核聚类算法的极化SAR图像分类。将SAR图像分类分为两步,第一步借助Otsu法进行粗略分割,将图像转化为若干个区域;第二步利用模糊核聚类算法将第一步剩下的像素进一步分类。实验结果表明,该算法既可保持较高的分类精确度,又可保证较快的计算速度。