基于遗传算法和模糊聚类的文本分类研究

鉴于模糊C-均值类型算法(FCM算法)对初始中心敏感的问题,提出了一种基于遗传算法和模糊聚类的文本分类方法.采用遗传算法初始聚类中心,并在适应度的计算中采用了一个可变值,用户可以在文本直接聚类时更改该值,产生用户满意的属性约简结果,极大地提高了系统的分类精度.最后通过实验给出了该算法性能的测试结果.     

基于改进仿射传播聚类的文本自适应模糊聚类

仿射传播聚类有与FCM、K-均值聚类方法等效的聚类功能、并且不需要事先确定初始聚类中心.但它也有一个缺陷就是有时在聚类过程中聚类的数目会出现摇摆,最终影响聚类结果.针对此提出了动态调整阻尼系数以消除摇摆及当调整方法失效时自动跳出摇摆等技术,成功改进了仿射传播聚类算法.并把改进后的仿射传播聚类应用于自适应文本模糊聚类中,取得了较好的聚类效果.     

基于遗传算法的模糊聚类研究及其应用

为了克服传统聚类算法对初始化敏感的缺点，提出了一种基于增强型遗传算法的模糊聚类方法。它把遗传结束的准则与传统算法的终止准则有机地结合起来，不仅提高了算法的聚类分析性能，也提高了算法的收敛速度。比盲目的搜索效率要高，也比专门的针对特定问题的算法通用性强。通过在国内一家大型乳业集团的HRM系统中的成功运用，说明了该算法的有效性和通用性。     

基于遗传算法的模糊聚类在考试成绩分析中的应用

文中根据遗传算法的优点能够解决模糊C-均值聚类算法对初始化敏感的问题,因此把遗传算法与FCM结合起来,既可以发挥遗传算法的全局寻优能力又可兼顾FCM的局部搜索能力,从而提高收敛速度并更好地解决聚类问题。通过实验表明,根据文中提到的算法进行模糊聚类分析,更加客观和准确地揭示考生的知识和能力水平,分析结果体现了模糊聚类的意义和对教学的指导作用。     

基于PAT-array和模糊聚类的文本聚类方法

阐述了基于后缀树的文本聚类（STC)算法,对其所存在的缺陷进行了分析,并在此基础上提出了采用PAT-array和模糊聚类相结合的方法对其进行的改进,以提高聚类的质量。     

基于模糊聚类的文本挖掘算法

针对传统FCM算法对孤立点比较敏感,须预先指定聚类数目的缺陷,提出一种新的模糊聚类算法NSFCM,将其应用干文本挖掘中。NSFCM对数据对象的隶属度增加一个权值,以减少孤立点对聚类中心的影响。采用平均信息熵确定聚类数,通过密度函数获得初始聚类中心。仿真结果证明,该算法聚类的精度和执行效率均高于FCM算法,效果较好。     

蚁群优化与模糊聚类结合的文本聚类研究

针对模糊文本聚类算法（FCM）对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法（FACA）。该算法采用蚁群聚类算法（ACA）找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题。模糊文本聚类算法的线性复杂度使其更便于在计算机实现。与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法（FACA）效果更有效,更适合应用于大型的数据集。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

一种基于遗传算法的模糊聚类算法

本文分析了FCM算法在具体应用领域中存在的缺陷基础上，针对Web文档聚类问题提出了一种基于改进的遗传模糊聚类算法，该算法不仅具有良好的计算效率，还可以克服FCM算法中存在的缺陷。     

基于免疫遗传算法的模糊C-均值聚类

为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法（即免疫遗传算法）来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。     

基于改进布谷鸟优化的模糊聚类图像分割

模糊C均值聚类算法(FCM)是一种应用非常广泛的聚类算法,但是它受初始聚类中心影响较大,容易陷入局部最优。 在标准布谷鸟算法(CS)的基础上 提出改进布谷鸟优化算法(ICS),将发现概率P由固定值转变成随迭代次数逐渐减小的变量,这样不仅可以提高搜索种群的质量,而且保证了算法的收敛。因此,可以将改进布谷鸟优化算法用于FCM算法聚类中心生成的过程(ICS_FCM),从而有效地避免FCM陷入局部最优。改进的算法具有良好的聚类效果和运行速度。实现基于改进布谷鸟优化的FCM图像分割,并与基于模拟退火的FCM算法(SA_FCM)进行对比。由实验结果可知,该算法(ICS_FCM)不仅取得了较好的分割效果,效率上也有明显的提高。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标,给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型;采用多目标遗传算法优化模糊模型;为提高模型的解释性,在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模,仿真结果验证了该方法的有效性。     

基于遗传算法的模糊聚类分析

模糊C-均值聚类(FCM)应用广泛,但是它容易陷入局部最优,且对初始值很敏感。该文提出了一种基于遗传算法的模糊聚类方法,首先用遗传算法对模糊聚类中聚类中心的个数和聚类中心的选取进行指导,然后利用FCM进行聚类。实验结果表明：该方法可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,效果很好。     

基于小生境混合遗传算法的文本特征词聚类研究

提出一种基于小生境混合遗传算法的文本特征词聚类方法.该方法首先采用贝叶斯语义模型对语料库进行统计分析,并以K-L距离度量特征词间的距离,然后将小生境遗传算法与K-Means算法相结合,对文本特征词进行聚类,为文本特征词聚类提供了较高的效率和精确度.实验表明该方法是一种高效可行的文本特征词聚类方法.     

一种改进的基于遗传算法的模糊C-均值算法

把遗传算法搜索的随机性和并行性引入到模糊聚类中,克服了模糊C-均值聚类的局部性和对初始聚类中心的敏感性;该改进算法中采用了适合于模糊聚类的树型编码方案,且在遗传算法中采用了适合于模糊聚类的树型编码方案。同时详细设计了该方法,将该算法引入仓储物害虫的模式识别分类系统中,实验结果表明了该算法的可行性和有效性。     

基于GFCMA算法的医学彩色图像分割

医学图像分割是医学图像分析的关键步骤,经典的模糊C-均值聚类算法(FCM)是常用方法,但其依赖于初始聚类中心的选择,通常存在局部收敛的缺陷。通过与遗传算法(GA)结合而成的遗传模糊C-均值聚类算法(GFCMA),采用RGB颜色空间,能够得到全局最优解,并在此基础上实现了医学彩色图像分割和特定目标提取,取得良好分割效果。     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

基于模糊c-means与自适应粒子群优化的模糊聚类算法

已有的粒子群模糊聚类算法需要设置粒子群参数并且收敛速度较慢,对此提出一种基于改进粒子群与模糊c-means的模糊聚类算法。首先,使用模糊c-means算法生成一组起始解,提高粒子群演化的方向性;然后,使用改进的自适应粒子群优化方法对数据进行训练与优化,训练过程中自适应地调节粒子群参数;最终,采用模糊c-means算法进行模糊聚类过程。对比实验结果表明,所提方法大幅度提高了计算速度,并获得了较高的聚类性能。     

TGFCM:基于模糊聚类的中文文本挖掘的新方法

提出一种新的动态模糊聚类的方法，针对传统的模糊聚类需要预先确定聚类数的问题，提出采用动态自组织映射神经网络来确定聚类数，并通过文本向量空间模型和TF-IDF方法来确定文本的特征向量，再将动态自组织映射神经网络得到的聚类数，用模糊C均值算法（FCM）函数处理，得到聚类的结果。该算法同仅用动态自组织映射神经网络算法的运行结果相比，具有运行聚类结果精度高的优点，模糊聚类更适合处理语义的多样性和文本归属的模糊性，实验验证了算法的有效性。