基于Kohonen神经网络聚类方法在遥感分类中的比较

设计完成和比较了基于Kohonen自组织网络的Kohonen聚类网络（Kohonen Clustering Network, KCN）、模糊Kohonen聚类网络（Fluzzy KCN, FKCN）和基于进化规划的Kohonen聚类网络（Evalutionary Programming based KCN, EPKCN）三种聚类算法在遥感土地利用/覆盖分类中的应用。结果表明三种非监督学习方法在进行遥感土地利用/覆盖分类过程中，在分类性能上有显著差异。EPKCN分类目视效果最好，单次迭代的速度最快；FKCN总的收敛速度最快；而按遥感土地利用/覆盖分类要求而言，EPKCN方法在三种分类方法中效果最好，因此可采用该算法进行遥感土地利用/覆盖的非参数分类。     

二型模糊融合的尺度约束多分辨率FCM分割

针对传统多分辨率模糊聚类图像分割算法的不足,提出了将二型模糊应用于多分辨率模糊聚类图像分割的新方法.将最粗尺度图像的聚类中心作为下一较细分辨率图像的初始聚类中心,并采用较粗分辨率图像聚类的类内最大距离对细分辨率图像的模糊聚类目标函数进行约束.对较小的粗分辨率图像进行了模糊隶属度扩展,得到一组隶属度值,再采用二型模糊算法有效融合该隶属度集合,完成聚类分割.实验结果表明,该算法能有效实现目标区域分离,获得理想分割效果.     

二型模糊系统的规则提取算法

模糊规则提取是建立二型模糊系统需要解决的关键问题.提出一种改进的基于c均值模糊聚类算法(FCM)的二型模糊规则提取方法.该方法借助于二型模糊集主隶属度函数的期望与次隶属度函数值之间的联系,能克服已有算法忽略二型模糊集次隶属度函数对模糊聚类结果的影响.仿真实例表明.该算法能成功地提取二型模糊规则,比FCMV算法具有更好的性能和收敛性.     

基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

面向隶属度修正模糊聚类的参数选择方法

隶属度修正是模糊C-均值聚类算法改进的一个重要方向,该类改进算法引入模糊阈值修正隶属度,极大的加快了算法的收敛.然而其模糊阈值的自适应取值一直是一个较难解决的问题.针对这个问题,从数据对聚类中心的物理吸引和相似关系等角度提出了一种针对隶属度修正类FCM算法的模糊阈值参数选择方法,并从该参数选择公式的单调性、收敛性和鲁棒性等角度理论验证了该方法的有效性.仿真实验表明,该参数选择方法有效并具有较好的自适应效果,在加入离群点时也有着较强的鲁棒性,对于隶属度修正类FCM算法的参数选择有着较高的应用价值.     

一种改进的模糊聚类图像分割算法研究与仿真

针对相似图像分割过程中,输入像素数据在转换空间上存在的不连贯和幅度变化特征差异很小,像素的隶属关系很难准确界定,导致分割阀值设定过程出现较大衰减,分割误差较大的问题,提出一种改进的模糊聚类图像分割算法.分析了传统的模糊C-均值聚类图像分割算法的弊端,对像素模糊划分矩阵和聚类中心进行推导,将迭代过程中像素数据集对聚类隶属的可能性和不确定性关系融入分割目标函数中,依据可能隶属度和不确定隶属度建立改进分割准则函数,同时对像素聚类进行更新,实现图像分割.仿真结果验证了所提算法的有效性,结果表明,改进后的方法在分割检测过程中,图像误差明显减小.     

基于直觉模糊聚类的数据关联算法

针对多传感器观测数据存在不确定性的问题,基于直觉模糊聚类,提出一种新的数据关联算法。将改进的直觉模糊C-均值聚类（IFCM）算法应用于数据关联,首先将观测数据和预测数据进行直觉模糊化,然后计算直觉模糊集之间的加权距离以获得观测与航迹的隶属度,最后依次搜索最大隶属度实现观测与航迹的关联。仿真实验表明,存在模糊观测数据情况下,算法能有效地进行数据关联。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

基于改进模糊核聚类的红外图像分割

针对传统模糊核聚类在红外图像分割方面存在的问题,提出了一种改进的模糊核聚类红外图像分割算法.在模糊核聚类的基础上引入了红外图像像素点的空间约束关系和邻域隶属度相关性,并定义了隶属度约束强度指数修正隶属度函数,可有效抑制红外图像分割结果中的噪声和野值.实验结果表明,与传统的分割结果相比,这种考虑邻域隶属度相关性的空间约束模糊核聚类算法可有效地对红外图像进行分割,准确完整地分割出了目标,达到了令人满意的结果.     

加热炉钢坯温度软测量模型研究

研究基于模糊聚类的钢坯温度神经网络软测量模型.该方法由两个部分组成, FCM(Fuzzy C-Means)聚类算法用来对训练样本进行分类,分布式RBF(Radial Basis Function) 网络对每类样本进行训练.在线测量时,采用自适应模糊聚类算法对新的工况数据进行 隶属度计算.文中将该算法应用于步进式加热炉钢坯温度的预报,仿真结果表明该算法的有 效性.     

模糊Kohonen网络在烟叶分类中的应用

对于分类问题的处理有很多经典方法，但近年来因为人们对神经网络理论及其应用的重视，使得Kononen网络(KN)趟来越受到普遍关注。该文利用模糊控制策略将模糊。均值算法与经典的Kolloncn算法有机地结合起来，使网络性能到了，很大改善。     

基于模糊控制的自供能无线传感器网络分簇算法

现有自供能无线传感器网络（WSN）分簇算法较少考虑网络最优分簇数，导致网络能量消耗过快，全网能耗不均衡。针对这个问题，提出了基于模糊控制的自供能WSN分簇算法（EH-FLC）。首先，在网络能量消耗模型中引入太阳能补给模型，得出每一轮次网络能量总消耗与网络分簇数目的函数关系，并对其求导从而得到网络的最佳分簇数。然后，利用双层模糊决策系统来评定网络中的节点能否成为簇头节点。先将节点剩余能量、相邻节点数作为判定指标输入第一层（能力层）对所有节点进行筛选，得到备选簇头节点；再将中心度参数、邻近度参数作为判定指标输入第二层（协作层）对备选簇头节点进行筛选，得到网络簇头节点。最后，通过Matlab仿真分析了该算法的网络生存周期、网络能量消耗和网络吞吐量等性能指标，与低功耗自适应集簇分层型协议（LEACH）、改进的非均匀分簇路由算法（WUCH）和利用双层模糊控制的簇头选择算法（CTLFL）相比，该算法在网络工作寿命上分别提高了约1.4倍、0.4倍和0.6倍，网络吞吐量上分别提高了约20倍、1.5倍和1.28倍。仿真结果表明所提算法在网络生存周期和网络吞吐量方面的性能较优。     

基于模糊控制的自供能无线传感器网络分簇算法

现有自供能无线传感器网络（WSN）分簇算法较少考虑网络最优分簇数,导致网络能量消耗过快,全网能耗不均衡。针对这个问题,提出了基于模糊控制的自供能WSN分簇算法（EH-FLC）。首先,在网络能量消耗模型中引入太阳能补给模型,得出每一轮次网络能量总消耗与网络分簇数目的函数关系,并对其求导从而得到网络的最佳分簇数。然后,利用双层模糊决策系统来评定网络中的节点能否成为簇头节点。先将节点剩余能量、相邻节点数作为判定指标输入第一层（能力层）对所有节点进行筛选,得到备选簇头节点;再将中心度参数、邻近度参数作为判定指标输入第二层（协作层）对备选簇头节点进行筛选,得到网络簇头节点。最后,通过Matlab仿真分析了该算法的网络生存周期、网络能量消耗和网络吞吐量等性能指标,与低功耗自适应集簇分层型协议（LEACH）、改进的非均匀分簇路由算法（WUCH）和利用双层模糊控制的簇头选择算法（CTLFL）相比,该算法在网络工作寿命上分别提高了约1.4倍、0.4倍和0.6倍,网络吞吐量上分别提高了约20倍、1.5倍和1.28倍。仿真结果表明所提算法在网络生存周期和网络吞吐量方面的性能较优。     

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升,针对这个问题,提出了基于近邻传播算法（AP）的层次关联模块的深度神经网络模型,命名为聚类关联网络（CRN）。首先,利用卷积神经网络（CNN）提取场景特征,再利用区域特征聚集提取场景中的人物特征。然后,利用AP的层次关联网络模块提取群组关联信息。最后,利用长短期记忆网络（LSTM）融合个体特征序列与群组关联信息,并得到最终的群组识别结果。与多流卷积神经网络（MSCNN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络（CERN）方法相比,CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明,CRN方法在群体行为识别任务中拥有更高的识别准确精度。     

基于聚类关联网络的群组行为识别

目前群组行为识别方法没有充分利用群组关联信息而导致群组识别精度无法有效提升，针对这个问题，提出了基于近邻传播算法（AP）的层次关联模块的深度神经网络模型，命名为聚类关联网络（CRN）。首先，利用卷积神经网络（CNN）提取场景特征，再利用区域特征聚集提取场景中的人物特征。然后，利用AP的层次关联网络模块提取群组关联信息。最后，利用长短期记忆网络（LSTM）融合个体特征序列与群组关联信息，并得到最终的群组识别结果。与多流卷积神经网络（MSCNN）方法相比，CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了5.39与3.33个百分点。与置信度能量循环网络（CERN）方法相比，CRN方法在Volleyball数据集与Collective Activity数据集上的识别准确率分别提升了8.7与3.14个百分点。实验结果表明，CRN方法在群体行为识别任务中拥有更高的识别准确精度。     

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。     

一种隶属关系不确定的可能性模糊聚类方法

模糊聚类是聚类分析的一个重要分支,模糊C-均值聚类算法及其改进算法都是一种基于概率约束的聚类方法,所采用隶属度的取值形式体现了数据集的绝对隶属程度,常常出现不理想的聚类结果.对此,提出了不确定隶属的概念,在此基础上,通过提出两个基于相对隶属程度的判断准则参数,设计出一种新的基于隶属关系不确定的可能性模糊聚类新算法,并给出了具体算法实现.新算法将迭代过程中数据集对聚类簇隶属的可能性与不确定性关系引入目标函数中,达到明显的优化聚类结果的功效.理论分析和实验结果表明,相对其他聚类算法,新算法具有更高的聚类正确率.     

基于改进粒子群优化的移动界面模式聚类算法

聚类是一种非常有效的信息分析方法。针对现有基于粒子群优化的模糊C均值(Fuzzy C-means,FCM)聚类算法的聚类效果不佳的问题,提出一种基于改进粒子群优化的模糊C均值聚类算法,并将该聚类算法应用到移动界面模式的聚类中。首先,利用直觉模糊熵的几何解释和约束构造合理的直觉模糊熵;然后,在粒子群优化中使用直觉模糊熵判断种群的多样性程度,并引入混沌反向学习策略来提高全局搜索能力;最后,为了增强聚类算法的非线性处理能力,在聚类算法中加入高斯核函数,并将该聚类算法应用到移动界面模式的聚类中。移动界面模式聚类的实验表明,与现有聚类算法相比,文中所提聚类算法具有更好的聚类效果。