基于群进化策略的模糊聚类算法

针对传统的聚类算法需要知道类的真实数目,以及容易陷入局部最优的缺陷,提出基于群进化策略的模糊聚类算法,简称fuzzyGAC。该算法将群进化策略与模糊聚类结合起来,通过两个阶段（继承阶段和重新分配阶段）来产生新的聚类结果。将提出的算法与模糊C均值算法、差分算法、粒子群算法进行比较,实验结果表明,就类的数目和聚类中心而言,该算法可以自适应地修正类的数目并且提供最优的聚类中心。     

基于形态学重建改进的FCM算法

传统的FCM(fuzzy c-means)算法可以准确的分割多数无噪声图像,但对噪声图像非常敏感。针对于此类问题,提出了一种基于形态学重建的改进FCM算法。首先利用形态学闭合重建算子对含噪图像进行光滑化。然后利用基于邻域信息的改进FCM算法对合成图像及医学图像进行分割处理,最终得出了更加精确的分割结果。通过与其它两类算法进行数值实验对比,验证了所提出算法的有效性和实用性。     

基于混合协同进化算法的Web服务组合演化策略

为了在服务组合演化过程中高效地选择满足服务请求的Web服务,提出了一种基于混合协同进化算法的Web服务组合演化策略。首先,利用改进模糊C均值聚类算法将Web服务演化单元按应用分类;然后,利用带权值的粒子群算法对划分好的子群进行内部择优;最后,对各个子群进行协同进化,使得针对用户服务请求,能够选出最优Web服务演化组合。实验结果表明,混合协同进化算法无论在算法稳定性或是算法运算时间上都优于传统协同进化算法,且对于Web环境下大量的服务请求能够提供优质、高效的服务。     

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.     

FCM算法的改进及仿真实验研究

针对FCM原型算法的不足,提出一种新的改进方法,并进行仿真实验研究。利用主成分分析方法对原始数据集的指标进行筛选,应用Relief算法对入选指标计算权重。在此基础上,对FCM算法进行了改进。应用模糊划分系数Fc（R）和平均模糊熵Hc（R）这两个指标对算法的性能进行了评价。仿真实验结果表明,改进后的FCM算法对样本集数据的分类符合率达到了91.5%,其模糊划分系数Fc（R）和平均模糊熵Hc（R）分别为0.924和－0.062。改进后的FCM算法分类性能优于FCM原型算法,在应用中可以取得更好的效果。     

改进的FCM算法及其应用

模糊C均值聚类算法是一种普遍应用的经典聚类算法,在数据的分析方面有良好的表现,但是算法的缺陷严重的限制了算法的应用和发展.制药过程是一个十分复杂的综合系统,被控参数情况也十分复杂,因为有关联性和并且存在过失误差,针对这些问题把模糊C均值算法应用到动态递归模糊神经网络预测控制当中.利用改进的PSO算法对模糊C均值算法进行优化,对数据的聚类辨识从而同步实现系统控制和异常预警,保证系统稳定性.     

一种特征加权FCM算法的图像重建技术研究

针对传统FCM(Fuzzy C-means)算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的FCM聚类算法.通过在RGB(Red Green Blue)色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心.实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义.

Abstract：

Aiming at a defect on randomness of the initial clustering center choosing and sensitivity of initial value in tradition FCM(fuzzy C-means) algorithm, a clustering algorithm about FCM of weighted color space based on evolutionary strategy is proposed. By interposing weighted matrix in RGB(Red Green Blue) color space, the color's inhomogeneous is compensated. And by using a statistics clustering algorithm of minimal maximal distance, clustering center is initiated. The experimental results show that the algorithm can decrease effectively the mean square deviation of color quantization, keep overall arrangement of ideas and part characteristic detail in image reconstruction, and has practical value to the study of the image process technology.     

一种基于进化方向的新的差分进化算法

变异策略对差分进化算法（DE）算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略“DE/current-to-pbest/1/Gvector”.同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法（JADE）的基础上提出了一种新的算法DVDE.对CEC2005常用的12个测试函数做了仿真实验,实验结果证明DVDE的算法性能平均优于其他5个目前来说性能最好的DE算法（JADE,SaDE,CoDE,jDE,EPSDE）,特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.     

遥感图像的半监督的改进FCM算法

对模糊C均值算法进行了改进，采用更适合遥感图像的Mahalanobis距离代替欧氏距离，并在聚类中加入了先验信息。在聚类过程中，未标签的样本通过与已标签的样本进行相似性比较来提高算法的准确性。实验表明，改进的算法能有效提高算法准确度。     

基于直方图相关性约束的快速多阈值FCM图像分割算法

针对传统的模糊C均值(FCM)聚类算法在样本数和特征数较多时,运算较为复杂以及耗时较多的问题,本文提出了一种采用直方图的相关性作为约束采样率的快速多阈值FCM分割方法,控制图像失真,使得需要运算的数据量减少,以获得较快的分割速度.由于借助了基于模糊集的图像分割技术--模糊C均值算法实现多阈值图像分割,考虑到了每个像素对...     

云环境下基于Canopy聚类的FCM算法研究

FCM算法是目前广泛使用的算法之一。,针对FCM聚类质量和收敛速度依赖于初始聚类中心的问题,结合Canopy聚类算法能够粗略快速地对数据集进行聚类的优点,提出了一种基于Canopy聚类的FCM算法。该算法通过将Canopy算法快速获取到的聚类中心作为FCM算法的输入来加快FCM算法收敛速度。并在云环境下设计了其MapReduce化方案,实验结果表明,MapReduce化的基于Canopy聚类的FCM算法比MapReduce化的FCM聚类算法具有更好的聚类质量和运行速度。     

一种含噪数据FCM聚类算法

针对IADFCM算法在运算过程中忽略区间中点和半宽对区间数分析的问题,给出基于中点、半宽含权重区间数间的欧氏距离,提出一种改进的聚类分析算法,对模拟数据集和实际数据集分别进行仿真实验,实验结果表明,该算法是有效的。     

基于自适应模糊C-均值的增量式聚类算法

针对模糊C-均值（FCM）算法不能很好地处理更新数据的缺点,提出基于FCM的自适应增量式聚类算法AIFCM。该算法结合密度和集合的思想,给出一种自动确定聚类初始中心的方法,能在聚类过程中动态改变聚类结果数,改善聚类的质量,减少人为的主观因素,获得比较符合用户需求的聚类结果,并能在原有聚类结果的基础上简单有效地处理更新数据,过滤噪声数据,较好地避免大量重复计算。     

基于FCM算法的隐写分析算法综合评估

从与图像隐写分析算法评估相关的问题入手,分析隐写分析算法评估的指标,利用FCM算法实现对各种隐写分析算法的性能评估和比较。该评估算法不仅能对现有隐写分析算法进行评价,以选出最优算法,也适合对新的隐写分析算法进行性能评价。实验结果表明,该评估算法是有效的。     

基于混沌差分进化FCM算法的舵回路故障诊断

为了提高故障分类的准确性,提出了一种混沌差分进化模糊C-均值故障识别方法(CDEFCM,chaotic differential evolution fuzzy C-mean).该方法利用差分进化算法高效的全局搜索能力以及混沌序列的均匀遍历特性,克服了模糊C-均值算法(FCM,fuzzy C-mean)对初始值敏感的缺点及遗传算法易收敛到局部极值点的缺陷,用该方法进行故障聚类分析,可以准确地识别故障.以某飞控系统舵回路常见故障为例进行了仿真验证,结果表明该方法能有效地识别出故障.     

基于小波变换和FCM分析的盲水印算法

利用人类视觉系统(HVS)的掩蔽效应和图像的局部相关特性,提出一种结合小波变换和模糊聚类分析的水印嵌入算法。在图像B通道下的小波域系数中,根据HVS的掩蔽性进行模糊聚类分析以选择适合嵌入水印的区域,结合图像的局部相关性和隶属度自适应地嵌入水印。算法在提取水印时无需原始载体图像的辅助。实验表明,该算法具有较好的透明性,而且对诸如JPEG压缩、图像锐化、几何裁剪、叠加噪声和平滑滤波等攻击均具有较好的鲁棒性。     

基于MapReduce的FCM聚类集成算法

针对传统的聚类集成算法难以高效地处理海量数据的聚类分析问题,提出一种基于MapReduce的并行FCM聚类集成算法。算法利用随机初始聚心来获取具有差异化的聚类成员,通过建立聚类成员簇间OVERLAP矩阵来寻找逻辑等价簇,最后利用投票法共享聚类成员中数据对象的分类情况得出最终的聚类结果。实验证明,该算法具有良好的精确度,加速比和扩展性,具有处理较大规模数据集的能力。     

基于FCM改进算法的手背静脉识别

针对光源、手背厚度及水纹对手背静脉图像的噪声影响问题,提出一种新的手背静脉特征提取方法,包括最近邻图像插值缩放、Canny边缘检测以及一种改进的基于灰度直方图加权并顾及像素空间信息的FCM算法。实验结果证明,应用改进的FCM算法能减少图像分割迭代次数,较好地滤除噪声干扰。     

改进FCM 的图像聚类方法

对传统FCM算法的隶属度函数进行了改进,改进后的算法有效降低了孤立点对图像数据聚类结果的影响。通过灰度-梯度共生矩阵对图像进行纹理特征提取,利用主分量分析法对提取后的图像高维特征进行降维处理,结合本文改进的FCM图像聚类算法对预处理后的图像数据进行聚类。实验证明,该方法具有较好的聚类效果,且能以较少的迭代次数达到全局最优。     

基于改进蝙蝠算法优化的FCM聚类算法

针对传统模糊C-均值(Fuzzy C-Means,FCM)聚类算法隐含假设各个样本和各维属性对聚类结果作用相同,导致算法聚类性能降低,以及对初始中心点敏感且易陷入局部最优的问题,提出一种基于改进蝙蝠算法优化的FCM聚类算法.该算法首先采用混沌映射和速度权重来改进蝙蝠算法,然后利用改进蝙蝠算法确定FCM算法的初始聚类中心...