基于特征权重的遗传聚类方法

本文提出的聚类方法与通常的分区聚类方法区别在于：(1)从遗传算法角度考虑聚类问题；(2)在特征权重基础上构造个体适应度函数，通常的聚类方法没有考虑特征对分类的不同影响；(3)用基于罚函数的小生境遗传算法处理聚类问题，最大限度地保证搜索到全局最优解和所有局部最优解。算法具有通用性。     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。     

基于融合进化算法的用户日负荷曲线聚类分析

负荷分类对电网调度、负荷预测、用户用电行为分析等具有重要意义.针对传统负荷分类算法易陷入局部最优解而无法确定最优初始聚类中心,导致分类结果不准确问题,提出一种融合进化算法优化模糊C均值(FCM)的负荷聚类算法.首先使用重心Lagrange插值法填充负荷曲线缺失点,其次利用线性函数将不同行业负荷曲线归一化,最后结合遗传算法全局搜索效率高以及模拟退火算法计算时间短的特点优化FCM进行负荷聚类,弥补了传统FCM易陷入局部最优解的问题.算例表明：所提算法聚类中心距离较远,用户日负荷曲线分类结果较准确;相较于传统FCM不易陷入局部最优解,且具有一定的鲁棒性.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,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,比单一使用FCM算法进行聚类分析的效果要好。     

基于种群分类解决遗传算法的“早熟”与“漂移”问题

为了有效解决遗传算法在实际应用过程中经常面临的早熟收敛和遗传漂移问题,分析了导致早熟收敛和遗传漂移这两种现象出现的原因,针对其主要原因提出了基于模糊聚类的种群分类改进的遗传算法,避免近亲繁殖导致早熟,并将模糊聚类的结果与各种遗传操作有效结合,提高了算法向最优解收敛的准确性和稳定性。最后,仿真结果显示新的改进算法比标准遗传算法更有效。     

织物性能的遗传模糊C均值聚类算法

为了解决传统模糊C均值算法(FCM)依赖初值、易于陷入局部极值的问题,设计实现了一种遗传模糊C均值聚类算法(GFCM),该算法以模糊聚类中心矩阵为优化变量,将FCM算子引入遗传算法中以增强遗传算法的寻优能力,对聚类中心施加进化扰动以寻找最优聚类;描述了FCM和GFCM的基本流程,通过一个织物性能聚类评价例子对比了两种方法的性能,证明了GFCM的优越性.     

一种改进的和声搜索模糊聚类算法

针对模糊聚类算法对初值和聚类中心较为敏感的问题,采用和声搜索算法寻找最优聚类中心,并且改进了和声搜索算法的调音概率和随机带宽,从而加速了算法收敛。使用维度加权的方法进行特征选择,提高了聚类的性能,通过定义聚类质量评价函数提高了模糊聚类质量。采用标准数据验证了算法。结果表明,提出的聚类算法性能优于其他同类算法。     

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1) 需要预先知道聚类的数量;2) 对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。     

一种快速全局中心模糊聚类方法

针对模糊C均值算法对初始中心敏感、容易陷入局部最优解,且算法迭代速度慢等问题,依据模糊聚类的全局中心理论,建立了一种快速全局中心模糊聚类系统模型,并给出了相关理论分析和算法流程。该模型通过DKC值方案对各数据成员进行密集度分析来确定初始质心,并结合AM度量提出自定义寻优函数,依据该函数在算法运行的每一个阶段来逐一动态增加聚类中心,直至算法收敛。通过实验对比和验证,该过程降低了随机选取聚类中心对聚类结果的影响,跳出局部最优解,减少计算量,具有更高的聚类精度和更快的收敛速度。     

基于粒子群的Vague均值聚类分割算法

将Vague集引入模糊C-均值聚类目标函数,对其添加非隶属度信息,定义样本关于类的肯定隶属度函数和否定隶属度函数,并构造聚类中心表达式。采用粒子群优化算法求解该聚类目标函数,设计相应聚类算法,使其快速收敛于目标函数的全局最优解。对比实验结果表明,改进算法可以分割出目标轮廓并具有抗噪性。     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

基于聚类的跳频信号分选

为了对跳频信号进行分选,主要研究了聚类算法. 首先对KHM算法进行改进,得到了对随机初始化中心不敏感的聚类算法,然后利用已有的聚类有效性评价函数获得最佳聚类数的范围,并提出了在此范围内寻找最佳聚类数的算法. 结合改进的KHM算法和聚类个数估计方法,利用信号持续时间、方位信息和功率,对跳频信号进行分选,实验表明,该算法能正确地分选出跳频信号.     

一种面向分簇实时监测应用的WSN时间同步算法

为了建立一种适用于分簇实时监测无线传感器网络的时间同步算法,同时建立具有较高精度的时钟偏移补偿模型,首先在分析分簇无线传感器网络特性的基础上,提出了一种基于分簇网络路由协议的跨层式同步拓扑构建方法;通过利用簇头路由信息和由邻居握手协议建立的簇内节点间的邻接关系,分别建立基于簇间双向组播和簇内双向广播的同步机制;最后结合参数估计理论构建基于线性模型的非簇头节点时钟偏移估计方法以及基于最大似然估计的簇头节点时钟相位补偿方法。理论及实验结果表明:该算法不仅保证了同步拓扑的有效性,而且使得同步开销较HRTS算法降低33%,较TPSN算法降低88%;单跳平均误差与TPSN算法相差仅6.36μs,较RBS算法提高12.87μs。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

变粒度二次聚类方法

为了克服单一聚类算法的不足,将粒度计算与聚类算法相结合,提出基于聚合网络的变粒度二次聚类方法(twice clustering method based on the variable granularity and clustering network, VGTC)。首次聚类的目的是寻找合适的聚合粒层,以发现数据的局部结构,二次聚类在此基础之上完成对论域的聚类操作。创新之处在于依据聚类算法参数的改变来调整聚类的粒度,通过粒度计算将两种聚类算法的优点融合在一起。以基于k均值与层次聚类算法的变粒度自适应二次聚类方法(Twice clustering adaptive method of variable granulation based on k-means and hierarchical clustering algorithms, KHVGTC)为例,从理论和实验验证了VGTC算法的准确率和效率。     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

基于加权处罚的K-均值优化算法

在各种聚类算法中,基于目标函数的K-均值聚类算法应用最为广泛,然而,K-均值算法对初始聚类中心特别敏感,聚类结果易收敛于局部最优。为此,提出基于加权处罚的K-均值优化算法。每次迭代过程中,根据簇的平均误差的大小为簇分配权值,构造加权准则函数,把样本分给加权距离最小的簇中。限制簇集中出现平均误差较大的簇,提高聚类准确率。实验结果表明,该算法与K-均值算法、优化初始聚类中心的K-均值算法相比,在含有噪音的数据集中,表现出更好的抗噪性能,聚类效果更好。     

一种基于Hartigan-Wong和Lloyd的定性平衡聚类算法

基于传统的Hartigan-Wong聚类算法会产生不平衡聚类结果的缺点,提出一种新的聚类算法Charl,这种算法会改进聚类结果的平衡性但不要求绝对平衡。 结合Lloyd算法和Hartigan-Wong算法的思想,Charl算法采用一种自适应性的动态调整策略来调整平衡程度。跟Lloyd算法一样,Charl算法以批处理的方式更新中心,所以具有计算高效的性质。在13个数据集上进行的试验表明,Charl方法不仅产生了平衡的聚类结果,并且同时得到了比Lloyd算法更低的代价函数值和更好的聚类性能(聚类准确率、归一化互信息、聚类时间等)。这种定性平衡聚类算法也明显优于严格平衡的聚类算法。     

Neutrosophic fuzzy clustering segmentation algorithm based on HMRF

Considering neutrosophic C-means clustering algorithm with weak ability of suppressing noise, a neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is proposed. First, the hidden Markov random field is used to describe the prior information of the arbitrary pixels classification. Second, information divergence between the prior information and sample classification membership is taken as a regular term and embedded into the existing neutrosophic C-means clustering objective function. Third, the samples in the European Space is mapped into the high-dimensional space through the kernel function, and the iterative expression for the neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is obtained by the optimization method. Many standard, actual, and synthetic images corrupted by noise are used to validate the segmentation performance of the improved clustering segmentation algorithm. Experimental results show that the anti-noise performance of the proposed segmentation algorithm is improved significantly than the fuzzy C-means clustering algorithm based on the hidden Markov random field, and other fuzzy clustering segmentation algorithms.