基于加权多宽度高斯核函数的聚类算法

针对在支持向量聚类,当样本分布不均匀时,单宽度的高斯核限制了支持向量机泛化性能,影响了聚类效果的问题,提出一种基于加权多宽度高斯核函数的支持向量聚类算法。加权多宽度高斯核函数比单宽度的高斯核有更多的可调参数,通过多参数调节,可提高泛化能力,改善聚类效果。仿真实验表明,与单宽度的高斯核相比,加权多宽度高斯核可以有效聚类,从而证明了该算法的有效性。     

一种模糊核聚类算法的改进

从计算方法角度对算法进行改进,引入高斯核函数,改良归一化条件并对迭代过程加以简化,从而改进了模糊核C均值算法.算法性能速度较经典的聚类算法有了较大改进,聚类结果更为快速稳定,并可在多种数据结构条件下进行有效的聚类,计算时间显著减少,克服了传统的模糊核C-均值算法计算时间较长,在样本集不理想的情况下可能导致结果不好等不足.实验结果证实了该改进算法有效性.     

一种新的基于二型模糊的变核宽模糊核聚类分割算法

针对基于模糊核聚类算法的红外图像分割方法中需要人为调节核宽的局限,提出了一种新的结合二型模糊的变核宽模糊核聚类分割算法.首先由5倍交叉验证初步确定核宽范围;然后根据类与类之间的距离最小值和最大值定义了一种高斯核宽的采样规则,进而分别由这些高斯核宽从模糊核聚类迭代公式中获得隶属度集合和聚类中心集合;最后采用二型模糊融合这个隶属度集合,从而完成聚类分割.实验结果表明,提出的自动模糊核聚类分割方法准确分割出了红外目标区域的轮廓,且抑制了背景对目标区域的干扰,分割效果好,并且具有一定的适应性和自动性,为模糊核聚类算法的研究提供了一种新的思路和方向.     

基于成对约束的混合核函数KFCM图像分割算法

目前一些基于模糊核聚类的图像分割方法得到了大量研究,但难以有效地解决核方法中的参数合理选择问题,分割结果受到核参数人为主观选择的制约,不能达到分割的自适应性和良好性.通过提出一种基于成对约束的混合高斯核的方法来解决上述问题.将传统的高斯核函数改进为混合核函数,该混合核函数由多个不同核参数的高斯核函数组成,对于该混合核函数采用基于成对约束的类别信息算法求解其中的核参数和权重系数,进而采用该混合核函数对图像进行聚类分割.实验结果表明:该方法成功解决了模糊核聚类中核参数的选择问题,使得聚类更具有自适应性,而且由该混合核参数得到的图像分割结果更为鲁棒和准确.     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

基于二维直方图加权的高斯核FCM图像分割

文中提出了基于二维直方图加权的高斯核FCM图像分割方法,该方法在传统FCM算法中融入了二维直方图的加权系数及高斯核函数。在图像分割中,由于噪声干扰,传统的FCM算法在许多情况下并不能有效区分目标和背景,而利用二维直方图中像素点与其领域间相关的空间信息,将其作为加权系数用来调整聚类中心,可有效提高分割效率。此外,算法结合高斯核函数用于改善FCM算法在样本特征空间线性不可分时带来的划分不准的缺点,改善图像分割效果。实验结果表明,此算法在提高图像分割效率的基础上,比传统算法具有更好的鲁棒性与有效性。     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

抽样子空间约束改进大数据谱聚类算法

在分析经典谱聚目标函数与加权核k-means目标函数等价基础上,设计了一种基于抽样子空间约束的改进大规模数据谱聚类算法,算法通过加权核k-means迭代优化避免矩阵特征分解的大量资源被占用,通过数据抽样及聚类中心的子空间约束,避免全部核矩阵都被使用,从而降低经典算法的时间空间复杂度。理论分析和实验结果表明,改进算法保持与经典算法相近聚类精度,提高了聚类效率,验证了改进算法的有效性。     

基于模糊核C-均值聚类分析的HRRP识别

由于雷达目标及其所处环境的复杂性,导致目标之间的关系往往是非线性的,因此,基于核方法的模式识别方法被广泛应用于雷达目标识别中。在对模糊核C-均值聚类算法深入研究的基础上,提出一种基于模糊核C-均值聚类的高分辨距离像识别算法。该算法针对特征提取后一维距离像数据的特点,采用组合核函数以降低由于数据属性数值过大造成的权重过大对识别效果的影响;同时,算法可以在训练过程中通过有效性函数自适应地确定最佳聚类数目。仿真实验结果表明,基于组合核函数的识别算法同基于传统的高斯核的算法都能有效识别雷达目标,但前者具有更高的目标识别率。     

基于RBF的支持向量数据描述算法性能分析

核函数的选择对支持向量数据描述算法(SVDD)的性能有重要的影响,是SVDD研究的一个核心问题.通过对SVDD算法中常用核函数进行分析,验证了高斯核函数在单值分类问题上具有一定的优越性,并分别探讨相同样本数据集不同规模样本和不同样本数据集相似规模样本中,高斯核参数对SVDD分类器的影响.实验表明,基于高斯核函数的支持,向量数据描述算法适合于小规模样本的单值分类问题.     

基于特征和空间信息的核模糊C-均值聚类算法

针对传统FCM算法处理噪声图像时存在去噪性能差、聚类时间长、分割效果不佳等问题。文中通过拟合核聚类算法和传统的FCM算法,产生一种使用内核诱导距离取代欧式距离的核函数FCM算法,并推导出利用样本特征和空间信息的核FCM聚类算法,通过大量的对比测试,得出文中算法较传统FCM算法在图像的分割和去噪时间上减少约68%,峰值信噪比相比传统FCM算法提高了约10%。证明优化后的算法具有更好的抗噪性与鲁棒性。     

基于核主元分析法的组合核函数改进算法

提出了一种新型的组合核函数应用于构建支持向量机当中.这种组合核函数将高斯核函数与多项式核函数各自的特点融合在一起,构建了一种兼具内推和外推性能的核函数.经实验验证,将这一核函数应用在核主元分析法中,可以有效地提高识别精确度和效率.     

Data Clustering Method Using a Modified Gaussian Kernel Metric and Kernel PCA

Most hyper‐ellipsoidal clustering (HEC) approaches use the Mahalanobis distance as a distance metric. It has been proven that HEC, under this condition, cannot be realized since the cost function of partitional clustering is a constant. We demonstrate that HEC with a modified Gaussian kernel metric can be interpreted as a problem of finding condensed ellipsoidal clusters (with respect to the volumes and densities of the clusters) and propose a practical HEC algorithm that is able to efficiently handle clusters that are ellipsoidal in shape and that are of different size and density. We then try to refine the HEC algorithm by utilizing ellipsoids defined on the kernel feature space to deal with more complex‐shaped clusters. The proposed methods lead to a significant improvement in the clustering results over K‐means algorithm, fuzzy C‐means algorithm, GMM‐EM algorithm, and HEC algorithm based on minimum‐volume ellipsoids using Mahalanobis distance.     

基于Gauss分布函数的区间值数据的模糊聚类算法

摘 要：通过分析投票模型中中立者的思想倾向,对区间值数据进行二次特征提取,给出了一种区间值数据的Gauss函数表示法,利用这种方法对区间值数据进行相似度量,从而导出一种新的区间值数据的距离度量公式。将该距离度量公式运用于区间值数据的模糊c均值聚类算法(FCM)中,得出一种新的基于Gauss分布函数的区间值数据的模糊聚类算法,试验表明该方法比传统的区间值数据的模糊聚类算法能获得更好的分类效果。     

基于批处理和核函数的非线性盲源分离算法

针对基于核函数的非线性盲源分离算法性能对核函数及其参数选择依赖性强这一问题,提出采用批处理方法代替聚类和核主成分分析方法来构造低维近似子空间的正交基,以改进基于核函数的非线性盲源分离算法对核函数及其参数变化的稳健性,并对这种改进的非线性盲源分离算法进行了完整的分析.通过仿真实验,对分离信号与源信号求相似度,可以看到提出...     

DATA PREPROCESSING AND RE KERNEL CLUSTERING FOR LETTER

Many classifiers and methods are proposed to deal with letter recognition problem. Among them, clustering is a widely used method. But only one time for clustering is not adequately. Here, we adopt data preprocessing and a re kernel clustering method to tackle the letter recognition problem. In order to validate effectiveness and efficiency of proposed method, we introduce re kernel clustering into Kernel Nearest Neighbor classification （KNN）, Radial Basis Function Neural Network （RBFNN）, and Support Vector Machine （SVM）. Furthermore, we compare the difference between re kernel clustering and one time kernel clustering which is denoted as kernel clustering for short. Experimental results validate that re kernel clustering forms fewer and more feasible kernels and attain higher classification accuracy.     

基于粗糙集边界的V-支持向量聚类算法

根据粗糙集理论的边界区域和V-支持向量机的优点对支持向量聚类算法进行改进。使用核函数进行特征空间的映射,发现最小粗糙球的包络点。根据上近似集与下近似集,定义粗糙球的内半径r和外半径为R。数据点映射若位于下近似区,则属于一个确定的聚类;若边界的点位于上近似区,属于不确定的聚类,位于球体外的点属于孤立点。实验结果表明,该聚类算法可以不需要额外的计算开销,能够解决任意形状的软聚类问题,有效地处理边界点。