基于密度峰值优化的模糊C均值聚类算法

针对传统模糊C均值聚类算法和基于K-means++优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,CFSFDP）的启发,提出了基于密度峰值算法优化的模糊C均值聚类算法,自适应产生初始聚类中心,确定聚类数目,并优化算法收敛过程。实验结果表明,改进后的算法与传统模糊聚类C均值算法相比能够准确地得到簇的数目,性能有明显的提高,并加快算法的收敛速度,达到相对更好的聚类效果。     

基于粒子群优化的模糊C一均值聚类算法研究

针对用模糊C-均值聚类算法选择初始聚类中心敏感及模糊加权指数m对模糊C-均值聚类算法的聚类性能影响较大等问题,利用粒子群优化算法的全局寻优能力强及收敛速度较快的特点,结合模糊C-均值算法提出一种新的模糊聚类算法;采用了一种简单有效的粒子编码方法,将初始聚类中心和模糊加权指数m同时进行粒子群优化搜索,在得到最优适应度的同时,m也收敛到一个稳定的最优解,从而有效地解决了上述问题。算法在人工合成数据集和多个UCI数据集上都取得了较好的效果。     

一种基于大密度区域的模糊聚类算法

针对模糊C-均值(FCM)算法对初始聚类中心和噪声数据敏感的缺陷,提出一种基于大密度区域的模糊聚类算法.该算法首先利用大密度区域以及样本的密度值变化方法,选取初始聚类中心以及候选初始聚类中心,并依据初始聚类中心与候选初始聚类中心的距离,确定初始聚类中心点,从而有效的克服了随机给定初始聚类中心容易使算法收敛到局部极小的缺陷;其次,分别利用密度函数为样本加权和引用改进的隶属度函数进行优化,有效地提高了模糊聚类的抗噪性;最后实验验证了算法在初始聚类中心的确定,聚类效果和抗噪性方面具有良好的效果.     

基于改进粒子群的K-means聚类算法

针对传统的k-means算法处理离散型数据的不足以及选取初始聚类中心的随机性等缺点,提出了一种基于改进的粒子群优化k-means算法,根据文中提供的优化算法寻找初始聚类中心后,在阀值范围内进行数据样本间的迭代更新,直至聚类中心稳定。经过实验结果验证分析表明,经过改进的粒子群优化k-means算法与传统的k-means算法相比,更具有良好的聚类收敛效果,聚类效果也相对稳定。     

基于网格和图论的初始聚类中心确定算法

针对传统K-means算法随机选取初始聚类中心,易造成准则函数收敛速度慢、聚类结果陷入局部最优等问题,提出一种基于网格和图论的初始聚类中心确定算法。该算法将数据空间网格化,通过在网格单元上形成树的连通分支来选取初始中心点。采用模拟和真实数据集对该算法选取的初始中心进行测试,实验结果表明,改进后的K-means算法在降低时间复杂度、减少迭代次数以及提高聚类精度方面都取到了较好的效果。     

量子粒子群优化改进的模糊C均值聚类算法

针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,提出一种量子粒子群优化改进的模糊C均值聚类算法。该算法引入的基于新距离标准的量子粒子群(AQPSO)算法不仅可以降低初始点敏感度,较快地收敛到最优解,而且能够提高全局搜索能力。仿真实验证明,该融合算法在摆脱局部最优区域,保证收敛速度同时使得聚类效果较好。     

模糊C-均值聚类算法的优化

针对传统模糊C-均值聚类算法（FCM算法）初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法（Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法）。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。     

基于捕食-被捕食粒子群优化的模糊聚类

粒子群优化聚类算法具有参数简单,收敛快等优势,但也有局部极值问题。为解决此问题,提出一种基于捕食-被捕食的粒子群优化模糊聚类算法且聚类中心采用密度函数初始化。捕食者追逐被捕食者中心,加速收敛,而被捕食者逃离捕食者,促进多样性,以防局部极值出现。实验测试数据表明,算法具有防止局部极值、收敛快、全局寻优能力强等性能优势,能够比较好客观地反映现实世界。     

一种改进的基于粒子群的聚类算法

针对K-means对初始聚类中心敏感和易陷入局部最优的缺点,提出了一种改进的基于粒子群的聚类算法.该算法结合基于密度和最大最小距离法来确定初始聚类中心,解决K-means对初始值敏感的问题;利用粒子群算法全局寻优能力强的优点,避免K-means陷入局部最优.通过对样本集各维属性的规范化处理,惯性权值采用凹函数递减,计算相异度矩阵,引入用群体适应度方差,进一步优化混合算法.实验结果表明,该算法具有更高的准确率和更强的收敛能力.     

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.     

利用区域划分的多密度快速聚类算法

针对基于网格的聚类算法存在簇边缘网格中包含噪声点、利用网格相对密度差进行网格合并时不能区分密度均匀变化的网格等问题。提出一种利用区域划分的多密度快速聚类算法MFCBR。算法把数据空间划分成密度不同的网格,利用网格索引表和网格中心密度差合并网格形成簇,然后分别计算每个簇的边界网格质心、边界网格和最近簇网格中心位置,利用三者之间的关系来排除簇边界网格数据中包含的噪声点。实验表明,该算法在降低噪声数据对聚类干扰的同时,且对密度均匀变化的多密度数据集也有较优的处理效果。     

基于多类合并的PSO-means聚类算法

针对传统K—means算法中对初始化聚类中心敏感,容易陷入局部极小值等缺点,提出了一种基于粒子群算法和多类合并方法的新型K-means聚类算法．该算法首先利用改进粒子群算法选取初始聚类中心,然后利用K—means算法进行优化聚类,最后根据多类合并条件进行聚类合并,以获取最佳聚类结果．实验结果证明,该算法能有效解决传统K—means算法存在的缺陷,具有更快的收敛速度及更好的全局搜索能力,聚类划分效果更优．     

广义多变量模糊C均值聚类算法

模糊聚类算法为了保证算法的收敛性,要求模糊指标m取值大于1,这限制了算法的普适性。提出广义多变量模糊C均值聚类算法(GMFCM),在多变量模糊C均值聚类算法(MFCM)的基础上,利用粒子群优化算法对分量模糊隶属度进行优化估计,进而将模糊指标拓展到m>0的情况,同时采用梯度法得到算法聚类中心迭代公式。GMFCM理论分析了模糊指标m扩展的原理,研究了模糊指标m在不同取值情况下的性质,解释了模糊指标m的实际意义,讨论了GMFCM算法的收敛性。GMFCM继承了MFCM算法的样本分量区分性能,弥补了MFCM算法聚类中心分量与样本分量重合时的不完备性,突破了模糊聚类算法对参数m的约束,提高了模糊聚类算法的普适性。基于gauss数据集和UCI数据集的仿真测试验证了所提算法的有效性。     

融合密度峰值和模糊C-均值聚类算法

针对模糊C—均值(FCM)聚类算法聚类结果依赖于初始中心的选取,易收敛于局部极值等问题,提出了一种密度峰值聚类(DPC)算法和FCM相结合的混合聚类方法(DPC-FCM),利用密度峰值快速搜索算法可以比较准确地刻画聚类初始中心的特点,改善FCM聚类算法存在的不足,从而实现优化聚类.在UCI数据集和人工模拟数据集上的实验结果显示:融合后的新算法和传统的FCM算法相比有着更高的正确率和更快的收敛速度,证明了新算法的可行性.     

基于中点密度函数的模糊聚类算法

针对传统模糊C-均值(FCM)聚类算法初始聚类中心不确定,且需要人为预先设定聚类类别数,从而导致结果不准确的问题,提出了一种基于中点密度函数的模糊聚类算法。首先,结合逐步回归思想作为初始聚类中心选取的方法,避免收敛结果陷入局部循环;其次,确定可能的聚类类别数目;最后,对结果进行重叠度和分离度的模糊聚类有效性指标判定,确定最佳的聚类类别数。实验证明该算法与原改进C-均值聚类算法相比,减少了迭代次数,平均准确率提高了12%。实验结果表明该算法能够减少聚类的处理时间,并在平均准确率和聚类性能指标上优于对比算法。     

密度敏感模糊核最大熵聚类算法EI北大核心CSCD

提出一种密度敏感模糊核最大熵聚类算法.该算法首先通过核函数将原始非线性非高斯的数据集转化为核空间数据集,然后利用核函数的相似性抵消不属于该聚类的样本数据在聚类过程中对聚类中心求解的干扰,消除正则化系数对聚类结果的影响,进而抑制传统最大熵聚类算法的趋同性.最后通过引入相对密度项,解决因样本数据在特征空间的分布差异而导致的聚类中心求解偏差问题,从而提高聚类结果的准确性.实验部分,本文讨论了算法参数间的关系以及对聚类结果的影响.通过与传统模糊C均值聚类算法、核模糊C均值聚类算法、最大熵聚类算法、最大熵规范化权重核模糊C均值聚类算法以及其他两种改进最大熵聚类算法的聚类结果进行对比分析,结果表明本文提出的密度敏感模糊核最大熵聚类算法的聚类性能明显优于其他算法.     

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。