改进的FCM算法在医学图像分割中的应用

模糊C均值（FCM）算法是一种非监督聚类算法,该算法在图像分割中得到了广泛的应用。但是FCM算法有一定的缺陷,比如没有充分利用图像的空间信息、聚类数目无法自动确定、计算量大等问题。本文通过对直方图进行分析,采用峰点检测技术,自动确定聚类数目和各类的峰值,提出了一种适用医学图像分割的改进FCM算法,实验表明,该方法是一种具有自动分类能力的速度更快的模糊聚类图像分割算法。     

基于改进FCM算法的办公建筑负荷曲线聚类分析

为探究夏热冬冷地区办公建筑在不同季节的日负荷特征,拟采用FCM算法进行聚类分析.考虑到模糊C均值聚类算法(FCM)所存在的易受初始聚类中心影响,且易出现局部收敛的情况,提出基于量子行为约束的天牛群算法对其进行改进,以对FCM算法初始聚类中心进行优化并提升其全局寻优性能.UCI数据集算例表明基于改进天牛群算法的FCM算法具有较好的准确性及稳定性,所得出办公建筑负荷特性曲线对建筑能效提升、负荷预测和用户侧管理均有积极意义.     

改进模糊C均值聚类法的车辆实际行驶工况构建

针对模糊C均值(FCM)聚类法的性能依赖于初始聚类中心、迭代容易陷入局部极值、不能确保FCM收敛于一个最优解的问题,利用多岛遗传算法(MIGA)与序列二次规划法(SQP)组合优化,对FCM聚类的初始聚类中心进行优化,从而使聚类结果更加接近最优聚类。采用主成分分析和改进的FCM聚类分析,将运动学片段的特征值进行降维和分类处理,构建出基于大样本、符合郑州市交通特征的行驶工况。与试验数据对比表明:所构建的乘用车行驶工况与试验数据特征参数平均相对误差仅为2.097%,速度-加速度联合分布差异(SAFD_(diff))仅为1.74%,行驶工况拟合精度较高,更能综合反映郑州市交通真实状况。     

基于均值漂移的模糊C均值聚类图像分割方法

本文针对模糊C均值聚类(FCM)算法在分割噪声图像和含有颜色相近区域的图像时存在的不足,提出了一种结合各向异性均值漂移的模糊C均值聚类(FCM)新算法。该算法在传统的FCM算法中引入了均值漂移(MS)算法,分割图像时利用MS算法可快速找到峰值点和图像空间信息的优点,对颜色漂移区域和细长区域均能保留更多的图像信息,同时具有较强的抗噪能力。     

基于互信息量的图像分割

图像分割是图像信息处理的热点和难点之一，常用的分隔方法有阈值法和聚类法等。模糊C均值（FCM）算法因其实现简单、结果较优而得到广泛应用，但FCM算法存在过分依赖初值、收敛于局部极值和需预先给定分类类数等问题，研究者们对此进行了大量研究和改进，但均无法彻底解决上述问题。基于模拟退火算法和互信息量，以最大互信息量为优化目标，文章提出了一种新的分类类数判据——互信息熵差，并在此基础上构造了一种新的阈值分割算法——最大互信息量分割算法（MMS）。实验结果表明，MMS克服了FCM算法的上述不足，更为重要的是，     

基于遗传算法的岩体结构面的模糊C均值聚类方法

提出了一种基于遗传算法的岩体结构面模糊C均值聚类方法,避免了人为划定分类界限的主观性,解决了模糊C均值聚类算法的局部最优的弱点。同时结合现场实测数据,对应用该方法进行结构面产状分类的具体步骤、参数选取、分组有效性和优势方位判定进行了分析和讨论。     

一种基于LSA与FCM的文本聚类算法

在文本聚类中,基于向量空间模型(VSM)的文本特征空间存在高维度和稀疏空间、同义词与多义词干扰等问题;而K-means算法依赖于初始聚类中心,聚类结果随不同的初始输入而有所波动。针对这些问题,本文提出了一种基于潜在语义分析(LSA)与优化的模糊C均值(FCM)的文本聚类算法——LF。该算法首先采用一种新的词特征提取方法建立词-文本矩阵;然后对该词-文本矩阵进行奇异值分解在潜在语义空间进行降维;接着用优化的模糊C均值聚类算法实现对文本的聚类分析。最后通过实验,结果表明LF算法能更好地改善了文本聚类的结果,提高了文本的查全率和查准率。     

城市配水管网区域改造聚类技术研究

阐述了模糊C均值(FCM)算法和马尔科夫随机场(MRF)的相关理论知识和基本框架。首先建立了基于模糊C均值的给水管网区域改造算法,它可直接应用MPR-Pipe算法得到的管网管段"重要性"值完成对管网的区域聚类;接着,建立了基于马尔科夫随机场和FCM算法的MRF-FCM区域改造算法,它同时考虑管网的拓扑信息和属性信息对管网区域聚类。根据工程实例进行算法实践,结果表明,两种算法可以得到符合实际工程应用的区域聚类,确定优先改造区域,为管网改造问题提供了切实可行的解决方案。     

改进模糊C均值聚类算法及锂电池配组应用

在锂电池化成管理的智能配组过程中,当处理大规模数据或锂电池结构较复杂时,速度和准确度不高。因此,提出了一种基于遗传算法与密度加权的改进模糊C均值聚类算法。首先,由遗传算法优化得到初始聚类中心。然后,将样本对象的高斯密度函数作为其权值,并采用Xie-Beni有效性指标改进目标函数。将改进的算法通过标准测试数据集Iris和锂电池配组进行实验验证。验证结果表明:本文算法改善了聚类效果,与模糊C均值聚类算法相比,锂电池配组的正确率提高了0.8%,并且计算迭代次数从14次降低到8次。     

灰狼优化的k均值聚类算法

针对k均值聚类算法对初始聚类中心位置敏感的问题,提出了一种基于灰狼优化的k均值聚类算法,通过灰狼优化算法对解空间的全局寻优能力得到α狼,实现对k均值聚类中心的初始化操作,并通过迭代更新α狼优化k均值聚类中心,直到达到最大迭代次数,以此改进k均值聚类算法。实验结果表明,在UCI(University of California Irvine)的4类数据集上,所提算法相比于传统的k均值聚类算法,获得了更好的聚类效果,其分类准确度平均提高10%左右,且算法较为稳定。     

顾及激光反射率的点云数据分割算法研究

点云数据分割是三维模型重建的关键环节,传统的基于模糊C均值聚类（FCM）的点云数据分割算法在规则物体细节的分割上具有一定的局限性。针对此问题,在传统算法的基础上,增加了激光反射率信息,提出了顾及激光反射率的分割算法。通过实例验证,该算法具有较高的可行性和普遍适用性,分类结果较为可靠。     

基于Web日志的数据挖掘聚类算法研究及应用

针对FCM算法主要应用于点数据聚类,不能直接处理关系型数据的缺点。本文提出了一种基于Web日志的数据挖掘聚类算法,首先对FCM算法进行改进使其能够处理关系型数据,并对算法进行了健壮性改进。然后针对传统FCM算法需要在没有先验知识的基础上,事先确定聚类类别数的缺点,引入了竞争凝聚算法(CA),与FCM算法相结合,形成了CAFCM算法,使之能够自动确定最佳分类类别数。实验表明,CA-FCM算法的挖掘结果与FCM算法的结果相近,在用户访问会话数量不太大时性能优于FCM算法。     

基于模糊c均值聚类的供水水源地水质评价

介绍了c-模糊均值聚类算法(FCM)的原理和步骤,提出了供水水源地水质评价指标体系。运用FCM对某供水水源地水质进行了分析,为供水部分工艺设计和生产管理提供借鉴。     

基于模糊神经网络的建筑能耗评估模型研究

通过研究公共建筑耗能特点,结合建筑节能标准,提取了建筑能耗主要影响因素。在研究T-S模糊神经网络结构和算法的基础上,提出了基于T-S模糊神经网络的建筑能耗评估模型,用改进FCM聚类方法确定网络结构和参数初值,运用混合学习算法训练网络模型。将模型运用到评估实例中,结果表明基于改进FCM聚类的T-S模糊神经网络评估模型结构简单,学习和泛化能力强。     

EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于K均值动态聚类分析的土样识别

聚类分析是研究类型划分与类间关系的一种数理统计方法。本文将K均值动态聚类分析方法应用于土样识别中。在介绍K均值聚类方法基本思想和计算步骤的基础上,选取某工程勘察的49个土样、每个土样取七个工程性质参数进行K均值动态聚类分析,通过比较样本聚类结果,分析了样本容量对聚类结果的影响,选取模糊C均值的聚类结果,验证了K均值动态聚类方法的可行性和有效性。结果表明,K均值动态聚类法是一种简单有效的方法,可以用于土样的识别和分类,本文方法对工程勘察中的土样分类具有一定的参考价值。     

岩体结构面非典型数据集的优势组提取方法

岩体结构面产状的随机性导致现场实际测得岩体结构面数据往往包含大量不属于优势组的组间数据,造成数据集的非典型和优势组提取的困难,故提出一种基于截断法的模糊C均值聚类优势组提取方法,该方法具有组间数据剔除机制。人工算例表明,提出的方法在非典型数据集的优势组提取中较传统的FCM法具有明显优势,不仅剔除了组间数据,而且能够保证参与样本处于较高的比例,优势组产状的计算精度更高。同时,比较不同距离函数和聚类中心算法在聚类中的表现,选取适合结构面非典型数据集聚类的参数。将该方法和优化参数应用到某金矿围岩结构面分类中,成功的剔除了数组间数据,实现了在岩体结构面非典型数据集中的优势组提取。     

改进模糊聚类算法在客户关系管理软件中的应用

本文考虑到现有CRM的局限性,引入了模糊数学相关算法,给数据对象的隶属度加上一个权值,以及在算法中用有效性函数来自动确定聚类数目C,理论分析与实验结果表明,在CRM环境下所引入的改进模糊聚类算法比传统模糊聚类算法有更好的聚类效果,更快的聚类速度。     

基于凝聚层次聚类分析法的岩体随机结构面产状优势分组

在岩体斜坡稳定性分析和岩体水力学分析中,岩体随机结构面的优势分组是一项十分重要的内容。提出一种基于凝聚层次聚类分析的岩体随机结构面产状优势分组的新方法,这种方法的优点在于事先无需确定聚类中心,在分类结果生成后还可明显剔除数据的孤点与野值。应用人工随机生成的结构面产状数据对这种新方法和模糊C均值法进行了对比验证。结果表明,凝聚层次聚类分析法不仅在无孤值点的情况下分组结果优于模糊C均值算法,而且还可以有效地剔除孤值点对于分组结果的不利影响。最后将这种方法应用于松塔水电站坝肩结构面优势分组中,同样得到了比较满意的结果。 方法