优化核参数的模糊C均值聚类算法

核模糊C均值聚类算法(Kernel-based fuzzy C-means clustering method,KFCM)的性能受核参数的影响很大,然而实践中核参数的选择是极其困难的。为了解决这个问题,本文基于样本在高维空间中的类内距离近、而类间距离远这一思路,提出了一种优化核参数的模糊C均值算法(Parameter optimation-based KFCM,POKFCM)。该算法首先利用K均值方法对样本集进行初始聚类,再通过比较实际核函数矩阵与理想核函数矩阵的相似性距离来确定最优核参数,最后将优化的核参数应用于核模糊C均值聚类算法。在6组UCI数据集上进行对比实验,结果表明POKFCM能有效地改善KFCM的聚类性能。     

基于模拟退火聚类的室内定位算法

针对大型室内场景下现有指纹定位算法运算复杂度高、定位精度低的问题,提出一种基于模拟退火聚类的室内定位算法。该算法采用模拟退火聚类的方法完成对指纹空间的聚类和划分,有效降低了指纹匹配所需的候选指纹数量,并消除了具有一定特征相似性的奇异点,从而降低了运算复杂度,提高了定位精度。实验结果表明,该算法可计算出定位环境下指纹空间的最优聚类数从而确保定位精度,较K 均值聚类定位算法和KNN算法定位精度高,且定位精度不受初始值影响。     

增量式模糊C有序均值聚类算法

针对传统聚类算法难以处理大规模数据和对噪声数据敏感等问题,基于模糊C有序均值聚类算法（FCOM）,结合single-pass和online增量架构,分别提出了single-pass模糊C有序均值聚类算法（SPFCOM）和online模糊C有序均值聚类算法（OFCOM）.SPFCOM和OFCOM算法首先对FCOM算法加权,然后以数据块为单位对数据集合进行增量式处理.实验结果表明,相较于对比算法,SPFCOM和OFCOM算法在聚类准确率方面得到了提高,还具有更强的鲁棒性.     

基于边界过滤和邻域均值滤波的室内定位算法

在构建位置指纹库时,采用过滤法剔除数据采集阶段位于边界的位置指纹点,使用邻域均值算法滤除指纹库中指纹的噪声点。将指纹库k-means聚类为合适的k个指纹类以表示相似的位置指纹点,再用加权k近邻法实现精确定位。实验证明,相对于传统未对RSSI信号做处理的定位算法,该算法平均定位精度提高了28.9%。     

基于中智模糊聚类的彩色图像鲁棒分割算法

为了提高噪声干扰彩色图像分割的鲁棒性,给出一种基于中智模糊聚类的彩色图像改进分割算法。将像素空间邻域信息嵌入现有的中智模糊C-均值聚类目标函数,利用马氏距离代替欧氏距离,度量中智模糊聚类中样本与聚类中心之间的差异程度,获得适合彩色图像分割的模糊聚类目标函数,并采用拉格朗日乘子法获取隶属度和聚类中心的迭代求解表达式。对彩色图像添加高斯噪声和椒盐噪声,图像分割测试结果表明,所给算法相比模糊C-均值聚类算法和基于马氏距离的中智模糊聚类算法有更强的鲁棒性。     

采用后验信息构建稀疏原子库的超分辨率人脸重建

为了提高监控噪声环境下人脸图像的重建质量,提出基于后验信息的鲁棒性原子库构建方法及基于该原子库的超分辨率的方法,通过事后采集现场图像,训练只对输入图像的清晰内容稀疏而对噪声内容不稀疏的低维原子集和与之相对应的高维原子集,计算低维空间的稀疏系数并映射到高维空间以合成出重建人脸图像,从而提高基于稀疏表示的局部脸超分辨率对于监控噪声的鲁棒性.实验结果表明:对于实际拍摄的监控图像输入,提出的基于后验信息的原子库具有很好的鲁棒性能,重建结果比传统方法有更好的主观效果.     

基于模糊c-均值与核Fisher判别分析的不平衡数据分类方法

为了解决传统分类方法对不平衡数据集中少数类的识别率较低的问题,提出一种基于模糊c-均值与核Fisher判别分析相结合的分类方法.该方法首先采用模糊c-均值算法对样本数据进行聚类,将聚类后的样本数据映射到特征空间中,再对映射后的样本数据采用核Fisher判别分析算法对数据进行分类.在UCI上选取8个不平衡数据进行仿真实验,就分类性能上与其他5种算法作了比较和分析.实验结果表明采用模糊c-均值与核Fisher判别相结合的方法可以获得较高的识别率,能有效地处理不平衡数据集的分类.     

离散度WKNN位置指纹Wi-Fi定位算法

为改善加权K近邻位置指纹定位算法在室内环境复杂时的定位性能,提出一种以位置指纹离散度作为权值参考的改进加权K近邻位置指纹定位算法.算法在离线位置指纹数据库建立阶段采用K-means聚类算法对位置指纹进行聚类,来降低搜索位置指纹库的计算量.从离线位置指纹库中选取K个与在线实测Wi-Fi信号强度信息最相似的位置指纹,比较其离散程度,将离散程度小的位置指纹赋予较高的加权系数,以减小原加权K近邻算法在室内复杂环境信号强度随距离变化较大情况下带来的位置估算误差.对离散度加权K近邻算法时间复杂度的分析表明,其计算量小于原加权K近邻算法;实际环境实验结果表明,离散度加权K近邻算法具有更高的定位精度,且定位误差波动较小.     

基于蚁群及空间邻域信息的FCM图像分割方法

针对模糊C均值(FCM)聚类算法聚类个数难以确定、搜索过程易陷入局部最优的缺陷,把蚁群算法与改进的FCM聚类算法相结合,提出了一种基于蚁群算法的带有空间邻域信息的模糊C均值聚类图像分割算法.首先利用分水岭算法对图像进行初始分割,然后利用蚁群算法寻优,求得聚类中心和聚类个数,将其作为模糊C均值聚类的初始聚类中心和聚类个数进行模糊聚类.实验结果表明:由于聚类样本数量显著减少,很大程度上提高了聚类速度和抗噪能力,增强了算法的鲁棒性.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法. 该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果. 实例分析证明了算法的有效性和实用性.     

新的改进型可能C-均值聚类

改进型可能C-均值聚类(IPCM)是在模糊C-均值聚类(FCM)和可能C-均值聚类(PCM)的基础上提出来的。通过引入一种新的非欧式距离以替代IPCM目标函数中的欧式距离,提出了一种称为新的改进型可能C-均值聚类(NIPCM)算法。在基于鲁棒统计观点和影响函数基础上,新的非欧式距离比欧式距离鲁棒性更强。从而NIPCM比IPCM和FCM更有鲁棒性。另外,NIPCM在处理噪声或野值数据方面比IPCM和FCM更有效。实验结果表明,NIPCM具有比IPCM和FCM更好的性能。     

基于噪声距离的低对比度图像抗噪分割算法

针对核空间模糊局部信息C-均值聚类算法(KWFLICM)对低对比度图像抗噪性差的不足,提出一种基于噪声距离的核空间模糊局部信息C-均值聚类算法。该算法在KWFLICM算法的基础上改变隶属度约束条件并引入噪声距离δ获得一种改进的聚类目标函数,并借鉴现有噪声聚类思想构造出具有良好抗噪性的模糊聚类迭代隶属度和聚类中心表达式,最后给出相应的聚类分割算法。实验结果表明,该改进算法对于椒盐噪声干扰的对比度较弱的灰度图像比KWFLICM聚类分割算法更有优势。     

自动调整样本和特征权值的模糊聚类算法

针对模糊c均值聚类算法对特征噪声和样本噪声较敏感的缺陷,依据特征和样本对聚类的不同影响,将特征权值和样本权值引入到模糊c均值聚类的目标函数,并获得了一个模糊聚类模型。利用拉格朗日方法对该模型求解,提出了样本和特征权值自动调整的模糊聚类算法;同时,将核策略引入到该模糊聚类模型,提出了样本和特征权值自动调整的核模糊聚类算法。实验结果表明该方法对含有特征噪声与样本噪声数据的聚类具有较好的处理能力,为特征提取与样本选取等问题提供了一种可行的途径。     

一种改进的室内指纹定位算法

针对指纹定位算法在建立离线指纹库时需要部署较多参考节点(RP)的问题,提出一种分区拟合近似算法(PFAM)。为减少指纹定位算法在离线阶段的工作量,对整个目标环境进行分区,并在每个分区内重新部署虚拟RP;采用三阶多项式对数距离路径损耗模型拟合得到每个分区的环境系数,并建立每个分区的误差向量;利用拟合模型和误差向量逆推得到虚拟RP的信号强度,并采用C均值聚类算法对离线指纹库聚类来减少在线阶段的计算量;在在线阶段采用加权K近邻算法(WKNN)对目标进行定位。实验结果表明,在RP部署较少的条件下,PFAM算法依然能达到较高的定位精度,平均定位误差约为1.2 m。累积分布函数(CDF)分析结果表明,有86%的定位误差分布在2 m以内。     

一种改进的FCM聚类算法在噪声图像分割中的应用

针对传统模糊C均值聚类算法(FCM)在图像分割应用中具有噪声敏感性的问题,提出一种改进的NFCM算法.该算法通过依据邻域期望极大值准则考虑一个中心像素的邻域像素值对其的影响,进而修改标准FCM算法的目标函数来实现.实验结果表明,该算法在分割带有噪声的图像时,图像去噪效果较其他FCM衍生算法更好,耗时更少,而且具有很好的鲁棒性.     

基于模糊C均值软聚类工况辨识的风电功率短期区间预测

针对常规风电功率区间预测方法中以实发功率划分子区间有效性差的问题,提出了一种基于模糊C均值软聚类工况辨识的风电功率短期区间预测方法。模糊C均值软聚类可以将过渡工况的样本点划分到多个工况区间中,从而提高子区间划分的有效性。首先采用LSSVM建立风电功率确定性预测模型,然后基于聚类有效性,确定聚类数目,再利用模糊C均值软聚类对历史运行数据进行工况辨识从而划分为多个子区间,最后利用核密度估计计算各工况下功率预测值与真实值误差的概率密度函数,进而确定各工况的功率置信区间,完成区间预测。算例结果表明,基于模糊C均值软聚类工况辨识的风电功率区间预测方法在覆盖率和平均带宽等评价指标上优于常规方法,适合应用在风电功率短期区间预测中。     

一种面向大数据的快速自动聚类算法

为了提高大数据的快速处理和识别能力,需要进行数据快速聚类分析.针对传统的模糊C均值聚类算法对初始值敏感且容易陷入局部优化解的问题,提出了一种基于Logistics混沌映射聚类中心小扰动抑制的大数据快速聚类算法.采用非线性时间序列分析方法构建大数据信息流模型,提取大数据信息流的时延尺度特征值,以提取的该特征值为聚类搜索目标函数,用模糊C均值聚类算法计算大数据聚类的最优聚类中心,采用Logistics混沌映射差分进化方法进行聚类中心的小扰动抑制,实现了优化聚类,可避免陷入局部最优解.仿真结果表明,采用该方法进行大数据聚类,能有效提高数据召回率,计算速度较快,实现了大数据的快速自动聚类.     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

用于分割无损检测图像的快速模糊C均值算法

无损检测图像中目标类和背景类差异较大,模糊C均值算法无法有效地将目标分割出来,因此提出一种用于分割无损检测图像的快速模糊C均值算法。在聚类过程中,引入局部空间信息和灰度信息,以提高算法的鲁棒性;用条件值表征样本容量来平衡不同大小的类群,以解决类大小敏感问题;基于新的约束条件得到新的隶属度和聚类中心表达式,并给出算法具体步骤;对预处理后图像的灰度级进行分类,图像分割所需要的时间不再取决于图像的尺寸,而是图像的灰度级数,大幅度降低了算法的时间复杂度。采用类大小差异较大的合成图像和无损检测图像进行仿真实验,以分割精度(SA)、F-value、G-mean以及图像分割所需要的时间为评价指标来评价算法的性能。实验结果表明：在原始测试图像被高斯噪声、椒盐噪声、瑞利噪声和乘性噪声污染时,与其他模糊聚类算法相比,本文算法具有更好的鲁棒性,分割精度更高,为97.93%,F-value为88.50%,G-mean为93.83%,图像分割时间也更少,为14.06 ms。实验证明了本文算法的有效性。