基于直方图加权的半模糊聚类

通过分析影像数据的特点,利用直方图的统计特性,结合HCM收敛速度快的优点,提出了一种基于直方图加权的半模糊化的聚类算法,此方法结合了全局与局部信息,提高了聚类的速度,改善了聚类的效果;采用Lena和脑影像实验与传统算法作比较证明了该算法的效果更好,并对一副97 658k的影像进行处理,证明了该算法效率高。     

基于遗传算法的硬聚类算法改进

硬聚类算法HCM求解的结果通常都是局部的最优解,当模糊集合间的运算采用传统定义的时候,它的聚类结果中还会存在无意义的聚类集。本文通过研究表明,在HCM聚类算法中应用遗传算法,可以在一定程度上避免硬聚类算法收敛到局部最优解。因此,本文将遗传算法应用于硬聚类算法,并设计了相应的算法。但是,考虑到本算法实现时的开销 销和效率,又对该算法进行了改进,并最终提出一种新的算法--CHCM聚类算法。测试数据表明,采用改进后的聚类算法的结果90％以上能够取得全局的最优解,远远超过了采用硬聚类算法时所取得全局最优解的次数,证明了本算法的可推广性。     

基于模糊熵高斯聚类的弱点状动目标跟踪技术

研究了一种基于最大模糊熵高斯聚类的实时图像目标跟踪算法:在目标初始信息(位置、速度)已知的情况下,应用最大模糊熵高斯聚类的方法进行跟踪窗内测量点融合,将融合后的点输入到Kalman滤波器中进行预测目标点下一个状态的位置,在预测位置继续开一个跟踪窗进行检测、融合,直至所有图像都被跟踪完为止。理论及实验结果表明,在序列图像情况下该算法能够在保持跟踪实时性的同时,提供较高的跟踪精度。     

模糊聚类算法在汉语文本聚类中的应用

应用一种新的分词算法对汉语文本进行分词，该算法具备不使用词典和语法知识、不使用汉语词法规则、无监督等特点。采用模糊聚类算法对汉语文本进行聚类，该模糊聚类算法优于普通的聚类算法，聚类结果能充分体现汉语文本的多样性和大量性的特点。     

用HCM聚类和遗传算法实现多级模糊神经网络

模糊集理论适用于一些实验数据中不确定性和模糊性的建模问题,而模糊推理系统拥有模糊IF-THEN格式的结构化知识表示,但缺少适应性。神经网络本身具有对外部很强的适应性和从过去数据中学习的机制,但基于线性推理的模糊神经网络(FNN)模型作为模糊推理方法不能得到存在于参数间的最终关系,也不能影响接着发生的模糊集合。因此,我们提出了一个多级模糊神经网络(Multi-FNN),使用硬C均值聚类和进化模糊颗粒,利用处理为近似推理的一个线性推理,获得信息微粒和模糊集之间的关系。     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

改进的半监督模糊聚类算法

针对Ｇｒｉｒａ等近期提出的利用点对约束的半监督模糊聚类算法,其约束项与竞争聚类算法（ＣＡ）的目标函数之间数量级不一致,造成隶属度调整过度的问题,在重新定义目标函数的基础上提出一种改进算法,约束惩罚函数采用约束点对中两个样本新的联合表达式,使数量级与经典模糊聚类算法一致．实验结果显示,新算法的约束项与ＣＡ目标函数之间能很好地协调合作,并能通过对模糊隶属度的适度调整,实现更准确的聚类．     

自适应模糊逻辑系统的聚类学习算法研究

基于模糊逻辑系统一般数学模型，利用最近邻聚类学习算法对样本数据进行自适应分组，并对系统进行训练，从而使模糊逻辑系统具有自学习功能。     

模糊聚类算法应用研究

本文介绍了模糊C-均值聚类算法、遗传模糊C-均值聚类算法以及免疫进化模糊聚类算法的原理和应用,然后对其优缺点进行了分析比较．并给出了各自的适用领域。最后,总结了模糊聚类算法中存在的一些问题和发展前景。     

基于特征选择和协同模糊聚类的模糊建模研究

为了提高模糊模型辨识效率,提出了一种新的模糊模型建摸方法,该方法由两步组成：（1）采用基于特征相似性的特征选择方法,去除原始数据的冗余;（2）利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使其前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,模型参数得到改善,提高了模糊模型辨识的效率。模糊建模的实验结果表明了该方法的有效性。     

基于新相似度的模糊协同聚类改进算法

提出一种优化传统协同聚类中模糊点类别归属的改进算法,该算法引入基于清晰半径的新相似性距离公式,用超球体中心区域代替传统算法中的类中心,在各子集初始聚类结果的基础上,对容易导致类别归属错误的模糊点重新计算隶属度,得到较为清晰的聚类结果。实验结果显示,改进算法能很大程度地减少边界上的模糊点个数及纠正分类错误,清晰半径的引入还能弱化各子集之间协同系数的差异,使得参数设置更为简单。     

基于新的相异度量的模糊K-Modes聚类算法

传统的模糊K-Modes聚类算法采用简单匹配方法度量对象与Mode之间的相异程度,没有充分考虑Mode对类的代表程度,容易造成信息的丢失,弱化了类内的相似性。针对上述问题,通过对象对类的隶属度反映Mode对类的代表程度,提出一种新的相异度量,并将它应用于传统的模糊K—Modes聚类算法。与传统的K—Modes和模糊K-Modes聚类算法相比,该相异度量是有效的。     

基于核的模糊聚类算法

在聚类分析中,模糊c-均值算法是应用最广泛的聚类算法之一,针对该算法对初始化敏感,容易陷入局部极小点的缺点,论文提出了一种基于核的模糊聚类算法。在算法中将核方法与模糊可能性算法相结合,将模糊c-均值算法结果作为初始中心,放松了对隶属度归一化的条件,对噪声有更好的处理能力。IRIS数据和人造数据的实验结果表明该算法的有效性。     

靶场测量中跟踪目标的多尺度多级模糊聚类分类算法

靶场测量中的连发弹目标数量较多,需要对此目标进行分类跟踪,文章提出了一种多尺度多级模糊聚类的分类算法,首先对靶场测量中的多连发目标的特性进行分析,定义了3种不同的类目标群序列,其次针对模糊聚类算法必须先验确定聚类初始点以及聚类中心的缺陷,在此基础上加入尺度因子,并根据目标群的位置信息以及运动方向信息进行多级聚类,最后通过多次聚类实验证明分类结果能够满足靶场测量中的多连发目标的分类要求.     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

一种基于模拟退火和遗传算法的模糊聚类方法

首先,对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于模拟退火和遗传算法的聚类分析方法,算法中采用了适合于模糊聚类的树型编码方案。实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,在模式识别、数据挖掘等领域有着广泛的应用前景。     

一种区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布,在此基础上提出了一种区域型模糊聚类算法———re-gionalfuzzyclusteringalgorithm。仿真结果表明该算法有比常用的模糊C均值更好的聚类性能。     

基于模糊聚类的文本挖掘算法

针对传统FCM算法对孤立点比较敏感,须预先指定聚类数目的缺陷,提出一种新的模糊聚类算法NSFCM,将其应用干文本挖掘中。NSFCM对数据对象的隶属度增加一个权值,以减少孤立点对聚类中心的影响。采用平均信息熵确定聚类数,通过密度函数获得初始聚类中心。仿真结果证明,该算法聚类的精度和执行效率均高于FCM算法,效果较好。     

一种隶属关系不确定的可能性模糊聚类方法

模糊聚类是聚类分析的一个重要分支,模糊C-均值聚类算法及其改进算法都是一种基于概率约束的聚类方法,所采用隶属度的取值形式体现了数据集的绝对隶属程度,常常出现不理想的聚类结果.对此,提出了不确定隶属的概念,在此基础上,通过提出两个基于相对隶属程度的判断准则参数,设计出一种新的基于隶属关系不确定的可能性模糊聚类新算法, 并给出了具体算法实现. 新算法将迭代过程中数据集对聚类簇隶属的可能性与不确定性关系引入目标函数中,达到明显的优化聚类结果的功效.理论分析和实验结果表明,相对其他聚类算法,新算法具有更高的聚类正确率.     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法,该方法先采用C均值聚类算法对含噪图像进行初步分割,再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点,可以灵活地用在基于多特征和多阂值的图像分割中,另一方面充分考虑了图像的区域信息,利用模糊熵最小作为准则,对c均值聚类算法初步分割结果的错分类点作了进一步的处理,克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C-均值聚类算法多4～6S,对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。