基于PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM.该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值.仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果.     

基于微粒群优化的模糊C-均值聚类图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题.为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心:由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度.实验结果表明,该方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割.     

基于量子粒子群的改进模糊聚类图像分割算法

提出了一种基于量子粒子群的改进模糊聚类图像分割算法。针对FCM图像分割算法对聚类中心初始值比较敏感的缺点,利用量子粒子群优化算法强大的全局搜索能力寻找最优解,能够有效降低图像分割算法对初始值的依赖程度;同时,用一种新的基于簇密度的距离度量公式来计算图像特征点与聚类中心点的距离,其在确定类中心时考虑数据集的全局信息,并且在迭代过程中采用动态隶属度,能够降低噪声干扰。仿真实验结果证明改进算法具有较好的性能。     

基于改进的粒子群优化的模糊C-均值聚类算法

利用粒子群优化（PSO）算法全局寻优的特点,很大程度上避免了模糊C-均值聚类（FCM）算法对初值敏感、易陷入局部收敛的缺陷.利用收敛速度快的K均值聚类法得到的聚类中心作为PSO算法初始聚类中心的参考,提出一种新的模糊C-均值聚类算法Improved PSO FCM.实验结果表明,论文算法提高了FCM的搜索能力,聚类更为准确,效率更高.     

基于混沌粒子群的模糊C-均值聚类算法

为了解决模糊C-均值(FCM)聚类算法的固有缺陷,提出基于混沌粒子群的模糊C-均值聚类算法(CPSO-FCM).针对FCM对聚类初始值的敏感度问题,辅以粒子群算法以避免随机选取的聚类数和聚类中心所导致的结果不一致.通过引入混沌序列,在粒子的位置和速度上与原有粒子群优化算法所得计算值加以比较,取优者.这样不仅能够提高算法全局搜索能力,也可有助于粒子跳出局部最优.同时定义加速因子与逃逸算子对粒子移动速度加以优化,以加速收敛.实验结果表明,CSPO-FCM算法稳定性强,收敛速度快,且聚类的准确率高,效果较好.     

基于粒子群模糊C-均值聚类在入侵检测中的应用

在模糊C-均值（FCM）聚类算法基础上,提出一种将粒子群优化算法与FCM聚类算法相结合产生基于粒子群的C均值算法（PSO-FCM均值算法）。用KDD cup99数据集进行比较FCM算法和PSO-FCM算法检测性能。试验结果表明,PSO-FCM算法能够避免FCM算法固有的缺点,检测率提高和漏报率、误报率下降,并且有较高的检测性能。     

基于微粒群优化的模糊C-均值聚类彩色图像分割

模糊C-均值聚类算法广泛用于图像分割,但存在聚类性能受类中心初始化影响,且计算量大等问题。为此,提出了一种基于微粒群的模糊C-均值聚类图像分割算法,该方法利用微粒群较强的搜索能力搜索聚类中心。由于搜索聚类中心是按密度进行,计算量小,故可以大幅提高模糊C-均值算法的计算速度。实验表明,这种方法可以使模糊聚类的速度得到明显提高,实现图像的快速分割。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

基于QPSO的数据聚类及在图像颜色分割中的应用

聚类算法在数据分析、数据挖掘等许多地方有广泛的应用,探索了基于QPSO的数据聚类及其在图像分割中的应用,提出了一种新的距离度量的聚类算法,在分析PSO聚类算法的基础上提出了QPSO聚类算法,给出了相应的实验结果和算法讨论。     

基于分水岭和改进的模糊聚类图像分割*

针对模糊C-均值聚类算法需预先给出初始聚类中心、未考虑邻城信息、计算复杂度高等缺点,提出了一种基于分水岭和改进的模糊聚类图像分割方法.该方法首先利用分水岭分割方法对原图像进行预分割,然后利用粒子群的全局寻优能力从预分割的小区域中搜索出较为准确的初始聚类中心;最后,在对小区域进行模糊聚类时,建立了包含邻域信息的聚类目标函...     

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

基于鸡群优化算法的SAR图像快速分割

为提高SAR图像分割的速度和质量,利用鸡群优化算法,提出了一种SAR图像快速分割方法。该方法使用二维灰色Otsu模型作为鸡群优化算法的适应度函数,利用鸡群中公鸡、母鸡和小鸡的角色分工、协同工作快速逼近最佳阈值。实验结果表明,该方法在收敛速度和分割效果两方面均优于基于遗传算法、人工鱼群算法等群体智能优化算法的分割方法。     

一种带变异操作的粒子群聚类算法

针对基本粒子群算法的早熟收敛和收敛较慢的问题,提出了一种带变异操作的粒子群聚类算法。算法中对出现早熟收敛的种群采取变异操作,使其能够跳出局部最优解。对Iris植物样本数据的测试结果表明：该算法具有很好的全局收敛性和较快的收敛速度。     

一种基于粒子群优化的可能性C均值聚类改进方法

提出了一种基于拉子群优化的可能性c均值(Possibilistic Gmeans, PCM)聚类改进方法。该方法首先通过 改进PCM算法的目标函数来计算数据模式的隶属度矩阵和聚类中心完成粒子编码,从而降低算法对初始中心的敏 感,提高聚类的精度;其次,通过粒子群优化(Particle Swarm Optimization, PSO)算法对编码进行优化,以有效地克服 PCM聚类算法容易导致聚类一致性和陷入局部最优解的缺点,减少算法的迭代次数。通过人造数据集和UCI数据 集上的实验,表明该算法在计算复杂度、聚类精度和全局寻优能力方面表现得较为突出。     

一种新的并行文化微粒群优化算法

为了避免微粒群优化算法在解决复杂优化问题时陷入局部最优,提高算法种群的多样性。将微粒群优化算法纳入文化算法框架,提出了一种新的基于文化算法框架的并行微粒群优化算法。在文化算法框架中,由微粒群组成的群体空间和信念空间各自独立并行演化,并相互影响,有效地提高了种群的多样性,降低了陷入局部极值的可能性。通过对不同测试函数的仿真实验表明,新提出的并行文化微粒群优化算法比标准微粒群优化算法更容易找到全局最优解,提高了微粒群优化算法的全局寻优能力。