基于新的AFCM算法的陀螺仪漂移预测

为克服模糊规则提取的盲目性和随机性,提出了一种基于新的自适应模糊C-均值聚类(AFCM)算法的T-S 模糊建模方法.首先利用减法聚类来确定聚类数目的上限和初始聚类中心,然后采用改进的模糊C-均值聚类(FCM).算法进一步优化聚类中心,最后通过聚类有效性评判方法自适应地确定规则数及聚类中心,同时改进的FCM算法也克服了野...     

一种基于改进遗传算法的自适应区域生长法研究

区域生长法是图像分割的一种常用的方法,但该方法中种子点的选取仍需人为地判定,从而影响了分割效果.因此将遗传算法引入模糊C-均值聚类方法,不仅克服了模糊C-均值聚类的局部性和对初始聚类中心的敏感性,同时也实现了图像种子点数目和位置自动选择和确定.实验结果表明这种方法是可行和有效的,它扩大了遗传算法和模糊C-均值聚类的应用领域.     

两阶段模糊C-均值聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。     

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于改进抑制式FCM聚类算法的图像分割

在抑制式模糊C-均值聚类算法中,由于对隶属度的修正只考虑了隶属度的相对值,而没有考虑其绝对值,影响其聚类效果。针对其不足,提出了一种改进的模糊C-均值聚类算法。算法中,值的选择由所修正的隶属度的大小来确定。实验表明,该算法能获得较好聚类的效果。     

基于余弦相似性的自适应权重的改进FCM算法

模糊C-均值聚类算法(FCM)是一种经典的聚类算法,主要通过迭代更新隶属度和聚类中心来提高聚类的有效性.FCM算法的性能主要通过类内紧性和类间分离性来评价,但其既依赖于初始聚类中心,也对噪声非常敏感.考虑到每个数据点和每个聚类中心对目标函数的不同重要性,本文提出了一种具有自适应权重的改进FCM聚类算法(Hybrid FCM).主要贡献:将2个具有自适应指数p和q的自适应权向量ψ和φ引入FCM的目标函数,以体现不同数据点和聚类中心的重要性;为提高聚类性能,自适应指数p、q和模糊因子m采用粒子群优化算法(PSO)优化,新提出的聚类评价指标AWCVI作为PSO算法的适应度函数;迭代过程中利用余弦相似性对隶属度函数进行修正,提高算法的鲁棒性.实验表明,本文提出的算法能够有效地提高聚类效果.     

基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时,分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题,提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心,减少了算法的迭代次数;然后根据跳频信号的各项参数,应用模糊KHM聚类算法对跳频网台进行分选,有效解决了样本点的隶属度问题;最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置,大幅提升了聚类算法准确度。仿真结果表明,该算法聚类中心接近实际类中心,分选正确率高,迭代次数少。     

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类（FCM）图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。     

基于自适应正则化的核模糊C-均值聚类图像分割

模糊聚类是将模糊集的概念应用到传统聚类分析中,让数据集的对象在分组中的隶属用隶属函数来确定,隶属度函数更好地描述边缘像素亦此亦彼得特点,对象在各分组中的隶属度为连续区间[0,1]之间的某个值,以不同程度隶属于多个簇,而非确定硬聚类中的0或1的二值逻辑。模糊C-均值聚类算法是模糊聚类中的一种经典算法,如果样本空间是非线性可聚的,该聚类不能效果就不理想。而核模糊C-均值聚类利用特征映射很好解决了这个问题。最后用正则化参数来提高分割的鲁棒性和提高图像的细节。提出了加权图像,并采用高斯径向基函数。