基于SFLA-FCM聚类的城市交通状态判别研究*

针对城市道路交通状态判别的问题,提出了一种混合蛙跳算法（SFLA）与模糊C-均值算法（FCM）相结合的SFLA-FCM聚类算法。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。将该算法用于城市交通流数据的聚类分析结果表明,与单一FCM聚类算法相比,SFLA-FCM聚类算法更准确,效果更佳,能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通诱导策略的制定提供依据。     

软硬结合的快速模糊C-均值聚类算法的研究

讨论的是对模糊C-均值聚类方法的改进,在原有的模糊C-均值算法的基础上,提出一种软硬结合的快速模糊C-均值聚类算法。快速模糊C-均值聚类算法是在模糊C-均值聚类算法之前加入一层硬C-均值聚类算法。硬聚类算法能比模糊聚类算法以高得多的速度完成,将硬聚类中心作为模糊聚类中心的迭代初值,从而提高模糊C-均值聚类算法的收敛速度,这对于大量数据的聚类是很有意义的。用数据仿真验证了这种快速模糊C-均值聚类算法比模糊C-均值算法迭代调整过程短,收敛速度快,聚类效果好。     

一种加权模糊C均值聚类算法及其在图像分割中的应用

现有的加权模糊C均值聚类算法中,属性加权是一个不断迭代、重复计算的过程,费时费力。针对这种情况,提出Fisher线性判别率进行属性加权。算法首先直接计算每一维属性对模糊聚类的贡献度,其次对所有属性的贡献度进行归一化处理然后加权聚类。在人工和实际数据集所做实验表明:该算法在提高聚类速度的同时,聚类效果上也优于其他同类加权模糊C均值聚类算法。     

基于差分隐私保护的模糊C均值聚类推荐

通过对用户进行模糊C均值聚类,使其以不同的隶属度隶属于不同聚类,解决了因硬聚类导致的推荐准确度低的问题,获得更加准确的聚类效果;针对推荐算法的隐私泄露问题,通过将Laplace噪声引入到模糊C均值聚类过程中,实现基于差分隐私保护的模糊C均值聚类推荐.实验结果表明,该算法在保证推荐质量的同时有效改善了推荐系统的安全性.     

自适应FCM算法在图像分割中的应用研究

针对目前还没有较好的方法确定模糊C均值FCM聚类中C值和各个初始聚类中心这一问题,提出一种先用进化聚类快速确定初始聚类中心和聚类个数C,后用模糊C均值FCM聚类的算法,算法时间复杂度和空间复杂度与C均值FCM基本相当。应用该算法在人物图像和遥感图像中进行了分割实验验证,算法在分割的准确性和模糊边界的分隔上取得令人满意的效果。     

基于模糊C均值聚类的遥感图像分割方法

在遥感图像分割领域,模糊C均值聚类算法得到了广泛的应用。但存在计算量大、易受噪声干扰等缺点。针对以上缺点对快速模糊C均值聚类算法进行了改进。首先利用一维灰度直方图进行快速模糊C均值聚类降低计算量;然后在此基础上根据像素的邻域特性构造新的隶属度函数;最后根据新的隶属度函数对每个像素进行分类。实验结果表明,该算法能快速有效地分割图像,并具有较强的抗噪能力。     

基于小波变换和KFCM的彩色图像分割

提出一种将小波变换和核模糊C均值聚类算法相结合的快速彩色图像分割算法。利用小波变换的多分辨率特性,在分辨率最大尺度上的LL子带进行均值漂移聚类,快速获得初始粗分割结果,在其基础上进行模糊核聚类分割,将上一层的结果用于下一层的初始化,重复至最低分辨率后用最小分类器对原始图像进行最终分割。实验结果证明,该算法分割速度快,对自然彩色图像的分割结果优于模糊C均值算法和均值漂移算法。     

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。     

基于模糊核Fisher判别的说话人识别

在深入研究核Fisher判别方法的基础上,提出一种新的模糊核Fisher判别算法应用于说话人识别。采用模糊C均值聚类方法选择样本数据的同时,得到样本的模糊隶属度矩阵和聚类中心向量,进而对核Fisher判别算法中的类间离散度矩阵和类内离散度矩阵进行改进,生成模糊核Fisher判别算法,将其应用于说话人语音识别。     

广义洛伦兹内核函数在模糊C均值聚类中的应用研究

模糊C均值(FCM)算法是数据聚类分析的主要算法。但在嘈杂环境下,对于抽样大小不一的聚类,数目越多准确性越低,上述弊端可通过替代性FCM(AFCM)的高斯内核映射来解决。鉴于AFCM的不足,提出了针对模糊C均值聚类的广义洛伦兹内核函数。利用该算法对鸢尾数据库进行聚类,将其划分成山鸢尾、变色鸢尾和维吉尼亚鸢尾3类。实验结果表明,广义洛伦兹模糊C均值(GLFCM)可实现对离群聚类和大小不等的聚类数据的分类,其结果优于K均值、FCM、替代性C均值(AFCM)、Gustafson-Kessel(GK)和 Gath-Geva(GG)方法,收敛迭代次数比AFCM的更少,其分区索引(SC)效果也好于其他方法。     

基于FCM城市区域道路交通状态时空分层判别方法*

为了解决城市区域路网交通状态的时空分析问题,提出了一种基于模糊C均值聚类(FCM)道路交通状态判别模型及分析方法。通过路网的空间单元交通状态的定量分析和对大量的历史数据进行FCM分析,挖掘出各空间单元的各类交通状态的聚类中心,并将实时采集的交通数据与聚类中心进行匹配,评判其实时交通状态,最后根据空间单元在路网空间分布,获得各状态下点、线、面的空间分层分析结果。实例结果表明,判别方法能准确地实现区域路网的交通状态时空判别,为交通精细化管理提供辅助决策信息。     

快速鲁棒核空间模糊聚类分割

目的 传统模糊C-均值聚类应用于图像分割仅考虑像素本身的聚类问题,无法克服噪声干扰对图像分割结果的影响,不利于受到噪声干扰的工业图像、医学影像和高分遥感影像等进行目标提取、识别和解译。嵌入像素空间邻域信息或局部信息的鲁棒模糊C-均值聚类分割算法是近年来图像分割理论研究中的热点课题。为此,针对现有的鲁棒核空间模糊聚类算法非常耗时且抑制噪声能力弱、不适合强噪声干扰下大幅面图像快速分割等问题,提出一种快速鲁棒核空间模糊聚类分割算法。方法 利用待分割图像中像素邻域的灰度信息和空间位置等信息构建线性加权滤波图像,对其进行鲁棒核空间模糊聚类。为了进一步提高算法实时性,引入当前聚类像素与其邻域像素均值所对应的2维直方图信息,构造一种基于2维直方图的鲁棒核空间模糊聚类快速分割最优化数学模型,采用拉格朗日乘子法获得图像分割的像素聚类迭代表达式。结果 对大幅面图像添加一定强度的高斯、椒盐以及混合噪声,以及未加噪标准图像的分割测试结果表明,本文算法比基于邻域空间约束的核模糊C-均值聚类等算法的峰值信噪比至少提高1.5 dB,误分率降低约5%,聚类性能评价的划分系数提高约10%,运行速度比核模糊C-均值聚类和基于邻域空间约束的鲁棒核模糊C-均值聚类算法至少提高30%,与1维直方图核空间模糊C-均值聚类算法具有相当的时间开销,所得分割结果具有较好的主观视觉效果。结论 通过理论分析和实验验证,本文算法相比现有空间邻域信息约束的鲁棒核空间模糊聚类等算法具有更强的抗噪鲁棒性、更优的分割性能和实时性,对大幅面遥感、医学等影像快速解译具有积极的促进作用,能更好地满足实时性要求较高场合的图像分割需要。     

基于时空势场修正多处理器城市拥堵并行聚类分析

为提升城市城市道路拥堵检测和治理效率,提出一种基于势场修正多处理器并行聚类的城市道路拥堵时空分析方法。首先,利用GIS四维空间时态数据给出城市道路拥堵的时空模型,并通过设置虚拟数据参数实现时间的低密度采样处理,获得城市道路拥堵路段时空规律性的有效检测;其次,基于势场修正法构建多处理器并行聚类方法,分别设计了距离矩阵、邻域半径和密度函数的并行化多处理计算方法,并实现了并行聚类算法设计,同时给出上述并行计算过程的计算复杂度分析定理;最后,以北京市为试验区,对所提城市道路拥堵分析算法性能进行了验证,实验结果表明,所提方法可实现城市城市道路拥堵情况的快速有效检效检测分析,可为城市道路拥堵管理提供数据支撑。     

自适应属性加权2维FCM分割算法

目的 为了提高2维直方图模糊C均值聚类分割算法的抗噪性和普适性,提出了属性加权2维直方图模糊C均值聚类分割新方法。方法 针对2维直方图模糊C均值聚类分割算法存在阈值参数选取不当导致抗噪性能差的不足,将属性加权引入2维直方图模糊C均值聚类并有效解决了每维属性聚类贡献度的问题。结果 本文算法相比2维直方图模糊C均值聚类分割法抗椒盐和高斯噪声性能平均提高了2～3 dB;同时,相比模糊局部C均值聚类分割法抗椒盐噪声性能平均提高了2～3 dB且抗高斯噪声性能稍差大约1 dB,但本文算法相比模糊局部C均值聚类分割法的速度平均提高了大约40倍。结论 实验结果表明,本文算法相比现有2维直方图模糊C均值聚类算法更适合噪声图像分割;同时,相比模糊局部C均值聚类算法更有利于实时性要求较高场合的目标跟踪和识别等需要。同时从大量图像测试得出,本文算法对于一般人工合成图像、智能交通图像及遥感图像等具有普遍适用性。     

Urban traffic congestion estimation and prediction based on floating car trajectory data

Traffic flow prediction is an important precondition to alleviate traffic congestion in large-scale urban areas. Recently, some estimation and prediction methods have been proposed to predict the traffic congestion with respect to different metrics such as accuracy, instantaneity and stability. Nevertheless, there is a lack of unified method to address the three performance aspects systematically. In this paper, we propose a novel approach to estimate and predict the urban traffic congestion using floating car trajectory data efficiently. In this method, floating cars are regarded as mobile sensors, which can probe a large scale of urban traffic flows in real time. In order to estimate the traffic congestion, we make use of a new fuzzy comprehensive evaluation method in which the weights of multi-indexes are assigned according to the traffic flows. To predict the traffic congestion, an innovative traffic flow prediction method using particle swarm optimization algorithm is responsible for calculating the traffic flow parameters. Then, a congestion state fuzzy division module is applied to convert the predicted flow parameters to citizens’ cognitive congestion state. Experimental results show that our proposed method has advantage in terms of accuracy, instantaneity and stability.     

基于ε-支持向量回归理论的区域交通信号智能控制

城市交通信号控制是当前智能交通领域的研究热点之一.针对区域交通信号协同控制的实时性和准确性,提出一种基于ε-支持向量回归(SVR)非线性回归理论的智能控制方法(ICSRTS).该方法在无线传感网络结构的基础上结合已有的数据汇聚算法,并采用分簇策略将区域交通控制系统建模成一类集成信息调度与控制的离散切换系统.在离散切换系统中,不仅考虑了数据包传输的网络时延和丢包率,而且观测器利用改进的ε-SVR训练方法实现对多数据源融合的交通信号状态的在线预测并通过控制器进行总体协调控制.运用Lyapunov 函数方法验证了该系统的渐近稳定性及其可调度性. 仿真结果表明,ICSRTS方法相比普通模糊神经网络控制和普通ε-SVR预测算法在交叉口平均延误时间方面具有较好的性能.因此,该方法能实时、有效地对区域交通信号进行协调控制,从而减少了区域内的交通拥堵和能源消耗.     

基于PSO-IFCM的遮挡车牌车辆识别

针对智能交通系统中车辆类型自动识别问题,利用车辆面积、车窗位置和车轮位置3个特征,实现车辆类型的快速分类识别。对聚类中心初始化和模糊聚类算法进行改进,提出基于粒子群优化的改进模糊C均值算法(PSO-IFCM)的识别方法,用于车牌遮挡情况下的车辆识别。实验结果表明,PSO-IFCM算法具有较好的鲁棒性。     

基于K近邻隶属度的聚类算法研究

经典模糊C均值聚类算法（FCM）基于欧氏距离,存在不同规模类簇不能正确聚类问题,针对此问题提出一种基于[K]近邻隶属度的模糊C均值聚类算法（KNN_FCM）。讨论了基于[K]近邻隶属度的粗糙C均值聚类算法（KNN_RCM）和粗糙模糊C均值聚类算法（KNN_RFCM）,此方法避免了传统粗糙C均值聚类算法（RCM）和粗糙模糊C均值聚类算法（RFCM）中阈值选择问题。将KNN_FCM、KNN_RCM、KNN_RFCM分别与FCM、RFM、RFCM在UCI数据集上进行仿真比较,结果表明新方法是可行、有效的。