一种区间型数据的自适应模糊c均值聚类算法

针对区间型数据的聚类问题,提出一种自适应模糊c均值聚类算法。该算法一方面基于区间数的中点和半宽度,通过引入区间宽度的影响因子以控制区间大小对聚类结果的影响;另一方面通过引入一个自适应系数,以减少区间型数据的数据结构对聚类效果的影响。通过仿真数据和Fish真实数据验证了该算法的有效性,并对聚类结果进行比较和分析。     

基于减法聚类改进的模糊c-均值算法的模糊聚类研究

针对模糊c-均值(FCM)聚类算法受初始聚类中心影响,易陷入局部最优,以及算法对孤立点数据敏感的问题,提出了解决方案:采用快速减法聚类算法初始化聚类中心,为每个样本点赋予一个定量的权值,用来区分不同的样本点对最终的聚类结果的不同作用,为提高聚类速度采用修正隶属度矩阵的方法,并将算法与传统的FCM相比.实验结果表明,该算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少、收敛速度快、具有较好的聚类结果.     

具有数据容错能力的模糊C均值聚类算法

提出基于模糊c均值聚类算法的两个新算法.设置每个数据隶属度的误差阈值,规定每个数据的隶属度误差不能超过给出的误差阈值.使用该类算法可以对有误差的数据进行模糊聚类.先利用隶属度矩阵的误差范围建立新的拉格朗日函数,再使用Kuhn-Tucker条件计算该函数,并通过一组实验来证明这类算法的正确性和有效性.     

改进的粗糙模糊和模糊粗糙K-均值聚类算法

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,给出了改进的粗糙模糊K-均值聚类算法;设计了新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高了其训练速度和分类精度。     

模糊C-均值聚类算法的改进

针对传统的模糊C-均值算法FCM受初始聚类中心影响而易于收敛到局部极小值的问题,提出了具体的改进方法.初始聚类中心不再随机获取而是通过改进的算法有目的地进行选取,同时采用冗余聚类中心的方法先将大簇分割成多个小类,再按一定条件将相邻的小类合并.实验结果表明,改进后的FCM算法减小了对初始聚类中心的依赖,聚类结果更加精确.     

一种基于Mahalanobis距离的增量聚类算法

经典的模糊c均值聚类算法对非球型或椭球型分布的数据集进行聚类效果较差。将经典的模糊c均值聚类中的欧氏距离用Mahalanobis距离替代,利用Mahalanobis距离的优点,将其用于增量学习中,提出一种基于马氏距离的模糊增量聚类学习算法。实验结果表明该算法能较有效地解决模糊聚类方法中的缺陷,提高了训练精度。     

基于核的非凸数据模糊K-均值聚类研究

将模糊K-均值聚类算法与核函数相结合,采用基于核的模糊K-均值聚类算法来进行聚类。核函数隐含地定义了一个非线性变换,将数据非线性映射到高维特征空间来增加数据的可分性。该算法能够解决模糊K-均值聚类算法对于非凸形状数据不能正确聚类的问题。     

模糊c-均值算法和万有引力算法求解模糊聚类问题

针对单纯使用模糊c-均值算法(FCM)求解模糊聚类问题的不足,首先,提出一种改进的万有引力搜索算法,通过一定概率按照不同方式对速度进行更新,有效增大了种群的搜索域.其次,提出了模糊万有引力搜索算法(FG-SA).最后,在模糊万有引力搜索算法(FGSA)和模糊c-均值算法(FCM)的基础上,提出了一种新算法(FGSAFCM)来求解模糊聚类问题,有效避免了单纯使用模糊c-均值算法时对初始值敏感且易于陷入局部最优的缺点.采用目标函数和有效性评价函数作为评价标准,选取10个经典数据集作为测试数据,实验结果表明,新算法比单一的模糊c-均值算法有更高的准确性和鲁棒性.     

区间型数据的模糊c均值聚类算法

提取区间型数据的特征值,给出适用于区间型数据模糊聚类的FCM算法族(IFCM)。该算法适用于不同特征样本数据的模糊聚类运算,并可对聚类结果进行优化。聚类效果的仿真比较表明,IFCM聚类的平均失真度比基于欧氏距离的FCM聚类算法低6.81%。由于距离定义的合理性,IFCM可以根据区间型数据的不同特点调整特征值的聚类权重,并推广至多维类型数据的模糊聚类。     

基于MIP和改进模糊K-Means算法的大数据聚类设计

为了克服经典模糊K-Means算法在面对大数据聚类时所出现的聚类效率低和运行时间长的问题,提出了一种基于层次式MPI并行编程模型和改进模糊K-Means算法的大数据聚类方法;首先,引入多层MasterNode节点设计了一种改进的层次式MPI并行编程模型,然后,引入类间距离和类内距离得到一种最优聚类数的计算方式,并设计了一种改进的模糊K-均值聚类算法;采用SlaveNode节点并行运行改进的模糊K均值算法进行数据子集聚类,然后再通过各层MasterNode节点进行汇总和进一步处理;仿真实验表明文中方法能较为精确地实现大数据聚类,准确精确度较经典模糊K均值算法平均约高5.6%,弥补了经典模糊K-Means方法在处理大数据时的正确率低和低效的缺点,具有很强的优越性。     

具有部分监督的遥感影像模糊聚类方法研究及应用

遥感信息主要反映的是地球表层信息。由于地球表层系统的复杂性和开放性,地表信息是多维的、无限的,遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性,决定了遥感信息其结果的不确定性和多解性。模糊分类是遥感影像分类研究的重要趋势。在Ｆｕｚｚｙ－ＩＳＯＤＡＴＡ 方法的基础上,探讨如何在样本数据集中融合部分知识和随机样本,通过聚类分析获得目标类别的模糊隶属度矩阵和特征空间的特征模式的方法。提出了基于该方法的遥感影像模糊分类模型     

遥感图象分类的统计融合方法及性能分析

基于数据层的统计数据融合方法,以提高遥感图象的分类性能为目的,实现了一种新的可调参数的图象分类方法。用这种方法对ＴＭ图象和ＳＡＲ图象进行了一系列的实验,并对实验的结果进行了分析,从而得出关于数据层统计信息融合方法的有益的结论。     

Techniques and Experience in Mining Remotely Sensed Satellite Data

The paper presents a set of requirements for a datamining system for mining remotely sensed satellitedata based on a number of taxonomies that characterizemining of such data. The first of these taxonomies isbased on knowledge of the mining objectives and miningalgorithms. The second is based on variousrelationships that are found in data, including thosebetween different types of data, different spatiallocations of the data and different times of datacapture. The paper then describes the ADaM data miningsystem, which was developed to address theserequirements. The paper describes several data miningtechniques that have been applied to remotely senseddata. The first type is target independent mining,which mines data for transients and trends, with minedresults representing a highly concentrated form of theoriginal data. The second type is the mining ofvectors (representing multi-spectral or fused data)for association rules representing relationshipsbetween the various types of data represented by theelements of the vector. The third type mines data forassociation rules that characterize the texture of thedata.     

一种数据集数据残缺的模糊聚类模型

从加权广义欧氏权距离平方和最小概念出发,在循环迭代模糊聚类算法的基础上提出一种数据集指标值残缺的模糊聚类模型,示例分析了不同数据集在不同残缺程度下的聚类效果,拓展了模糊聚类算法应用领域。     

模糊C-均值聚类新算法在说话人辨认中的应用

该文提出了一种将模糊C-均值聚类法的各种改进算法与矢量量化法相结合的说话人辨认的新方法。首先从语音信号中提取MFCC特征矢量,其次利用矢量量化来设计码书,最后用改进算法对待识语音进行辨认。新算法的辨认率达到95%以上,抗噪性能也优于矢量量化法。     

基于模糊质心的混合属性数据模糊加权聚类算法

在模糊聚类算法中,模糊系数被用来控制簇可能重叠的程度,其负面影响是所有的数据对象会影响所有的簇。为解决该问题,Klawonn和Hppner使用模糊函数替换模糊系数(KH算法),但该方法是针对数值属性数据而设计的。然而,在许多真实的应用中,数据对象通常同时由数值属性和分类属性描述。面向混合属性数据,文中提出了一种新的基于模糊质心的模糊加权聚类算法。首先结合模糊质心和均值来表示混合属性条件下的簇中心,然后使用能够评估不同属性在聚类过程中作用的度量来评估数据对象和簇中心之间的相异度,最后给出算法框架。在3个混合属性数据集上对新算法进行了一系列的测试,实验结果表明新算法的性能优于传统算法。     

利用Photo Styler软件处理卫星遥感图像

介绍了Window环境下用图像处理软件PhotoStyler处理卫星遥感图像的方法和特色，Windows位图文件格式与遥感图像文件格式的转换，充分利用PhotoStyler的丰富功能能较好地完成遥感图像增强和加注汉字等前期和后期遥感图像处理工作。     

一种基于属性的模糊聚类算法及其应用研究

运用模糊集理论,对基于属性的模糊聚类从概念、原理、算法等方面做了深入的论述,最后给出了一个应用实例,实践证明该算法是有效的。     

对模糊聚类分析法的改进及其在SRM中的应用

针对传统模糊聚类分析法在信息系统的决策分析中无法有效解决各因素之间的相关性干扰,以及不同特征属性对聚类目标存在重要性差异等问题,本文提出一种融合层次分析法、Mahalanobis距离法及专家群决策法的改进模糊聚类分析法。在特征属性的重要性处理环节,层次分析法用于判断不同特征属性的相对重要性差异;引入Mahalanobis距离法进行相似矩阵的构建,能解决变量之间的相关性干扰问题;专家群决策法用于确定最佳阈值λ,能最大程度地降低主观因素对评价结论的不利影响。在SRM中的应用实验结果表明,改进的模糊聚类分析法在客观性和准确性上更能满足信息系统决策分析的需要。