一种新的数据流分形聚类算法

提出了基于分形的数据流聚类算法,利用分形维数的变化程度来度量数据点与聚类的自相似程度,在噪音干扰下能发现反映数据流自然聚集状态的任意形状的聚类。实验证明,FClustream算法是一种高效的数据流聚类算法。     

基于网格与分形维数的聚类算法

提出了一种基于网格和分形维数的聚类算法,它结合了网格聚类和分形聚类的优点,克服了传统网格聚类算法聚类质量降低的缺点,改进了分形聚类耗时较大的问题。此算法首先根据网格密度得到初始类别,再利用分形的思想,将未被划分的网格依次归类。实验结果证明,它能够发现任意形状且距离非邻近的聚类,且适用于海量、高维数据。     

基于密度与分形维数的数据流聚类算法

提出一种基于密度与分形维数的数据流聚类算法。采用在线/离线的两阶段框架,结合密度聚类和分形聚类的优点,克服传统数据流聚类算法的不足。针对数据流的时效性,在计算网格密度时对数据点使用衰减策略。实验结果表明,该算法能有效提高数据流聚类效率及聚类精度,且可以发现任意形状和距离非邻近的聚类。     

基于多重分形的聚类层次优化算法

大量初始聚类结果之间存在强弱不同的相似性,会给用户理解与描述聚类结果带来不利影响,进而阻碍数据挖掘后续工作的顺利展开.传统聚类算法由于注重聚类形状及空间邻接性,或者考虑全局数据分布密度的均匀性,实际中均难以解决这一类问题.为此,提出了基于分形的聚类层次优化算法FCHO(fractal-based cluster hierarchy optimization),FCHO算法基于多重分形理论,利用聚类对应多重分形维数及聚类合并之后多重分形维数的变化程度来度量初始聚类之间的相似程度,最终生成反映数据自然聚集状态的聚类家族树.此外,初步分析了算法的时空复杂性,基于合成数据集和标准数据集的有关实验工作证实了算法的有效性.     

基于改进K-均值聚类的快速分形图像编码算法

将先进的K-均值聚类理论引入到分形图像编码领域,是目前国际学术界的研究热点之一.本文全面分析了K-均值聚类的初始聚类中心选取问题,给出了基于均值一标准差的初始聚类中心选取新方案,并据此提出了一种新的快速分形图像编码算法.仿真实验表明,本文所提出的快速分形图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于传统K_均值聚类分形图像压缩方案,而且具有较短的编码时间.同时,该算法还具有较强的通用性与适应性(传统K-均值分形编码方法对于纹理图像压缩效果较差,而本文算法的压缩效果却较理想).     

基于复合分类的快速分形图像压缩编码

针对分形编码方法耗时过长的不足，提出一种分类加聚类的快速分形图像编码方法，通过提取图像块的分形维数对图像块分类，在同类内基于分形维数聚类，使匹配搜索在同类的聚类域内进行，并对不同类块采用不同算法，实验表明，该方法与经典分形方法（PIFS）比较，在信噪和解码图像质量可接受的条件下，大大提高了编码速度，且压缩比有显著提高。     

云计算环境下基于分形的聚类融合算法研究

传统的聚类算法不适用于处理海量和高维数据。针对云计算环境下,利用集群系统的并行计算能力,实现海量数据的聚类问题,给出了云计算环境下基于分形维数的聚类融合算法。该算法首先对基于分形维数的聚类算法进行改进,使之更适用于并行计算,其产生聚类作为初始聚类成员;再结合投票算法的融合策略实现融合。最后,对基于分形维数的聚类融合算法在云计算环境下实现并行计算。通过在UCI数据集上的对比实验来验证该算法的有效性。     

基于互信息和分形维数相结合的选择性聚类融合算法研究

针对传统聚类融合算法不能消除劣质聚类成员的干扰,以及聚类准确性不高等问题,提出一种基于分形维数的选择性聚类融合算法.该算法实现增量式聚类,能够发现任意形状的聚类.通过基于互信息计算权值的选择策略,选取部分优质聚类成员,再利用加权共协矩阵实现融合,获得最终的聚类结果.实验证明,与传统聚类融合算法相比,该算法提高了聚类质量,具有较好的扩展性.     

应用分形维数的自适应张量投票算法

张量投票算法是感知聚类方法中一种比较常用的计算方法,可以应用到图像处理等各个方面,具有较强的鲁棒性,非迭代等特性。张量投票算法中尺度参数的自适应选取对于投票域的建立起着至关重要的作用。通过分形维数来选取尺度参数,建立了尺度参数与分形维数的关系,提出了基于分形维数的自适应张量投票算法,并将该方法应用于图像的线特征提取和边缘修复。与传统的张量投票算法进行比较,该方法在图像线特征提取和边缘修复方面获得了较好的实验结果。     

基于量化误差与分形理论的高计算效率无监督聚类研究*

已有的矢量聚类算法需学习较多的复杂数据方可获得较好的聚类效果,而对于多维的大数据性能较弱,对此,提出一种基于量化误差与分形理论的高计算效率无监督聚类算法。首先,为数据集建立量化误差的参数化模型,基于数据集的空间结构获得数据集的率失真曲线;然后,通过对率失真曲线的估算,获得数据空间的有效维度;最终,利用分形理论,通过搜索数据集的量化模型参数获得目标数据集的最优类簇数量。实验结果表明,本文的量化误差参数化模型可较好地估算数据集的有效维度,同时,本算法对数值型数据集的最优类簇估算与计算效率优于已有的矢量聚类算法。     

基于分形维度的完全分布式聚类算法

传统的聚类算法通常针对单处理机,当数据资源分别存储在不同节点的计算机时,无法运用传统的聚类算法进行计算。本文提出一种完全分布式聚类算法,通过计算分形维度,利用分布式环境信息广播方式交流多台计算机的运行结果,最终汇集成全局聚类的信息进行聚类。理论分析表明,该算法不仅对分布数据可以很好的聚类而且可以最大限度降低通信成本和延时情况。     

基于FCM聚类的快速分形图像编码算法

以模糊C-均值聚类(FCM)理论为基础,提出一种新的快速分形图像编码算法.该算法首先将原始图像划分成子块和父块,并对父块实施8种基本变换以生成父块组;然后对所有子块和父块组进行FCM聚类;最后选取隶属度最大的父块变换再进行分形编码.仿真实验表明,本文所提出的快速分形图像编码算法是一种高效的图像压缩方法,不仅其压缩效果明显优于K-均值聚类分形图像压缩方案,而且具有较短的编解码时间.     

自适应分形聚类进化甄别算法

数据流随时间演变具有突发性及随机性的特点,如何自适应、实时追踪这种变化是数据流挖掘面临的一个重要问题,完全由用户通过试探来甄别这种变化在实际中无法实现,同时也失去了数据流聚类进化追踪的现实意义。针对聚类变化自动追踪问题,考虑到现实的计算资源限制和处理速度要求,结合分形聚类、自适应采样技术与Chernoff不等式,提出了数据流聚类演变实时追踪算法,进行聚类演变的自动追踪;通过合成与实际数据集上的实验工作验证了算法的有效性。     

高存储需求下车载多媒体图像分形压缩仿真

为增强车载多媒体服务质量,需要对车载多媒体图像进行压缩处理.针对传统压缩方法存在图像峰值信噪比和压缩比较低等问题,提出一种高存储需求下基于模糊聚类的车载多媒体图像分形压缩方法.解析图像分形压缩原理,并对车载多媒体图像进行图像灰度化和去噪等预处理,利用四叉树对处理后的图像进行值域块划分,基于模糊聚类算法遍历所有值域块,完成图像定义域块搜索,进而实现车载多媒体图像分形压缩.实验结果表明,与传统图像压缩方法相比,所提方法压缩后的车载多媒体图像图像压缩码率较高,分形压缩效果较好,且峰值信噪比分别提高7.08dB、8.62 dB、5.26 dB,压缩比提高8.9％、15.5％、91.55％,可见所提车载多媒体图像分形压缩方法具有一定的可靠性.     

基于分形与灰度特征的无监督纹理分割技术

提出了一种新的基于方向分形特征和灰度特征的纹理图像分割方法。该方法首先用一个局部窗从功率谱图像中提取不同方向上的分形维和分形截距,将它们各自的均值和方差与灰度均值、灰度方差结合起来构成一个多维特征向量,然后利用模糊C均值聚类算法进行聚类实现纹理图像的分割。实验结果表明该方法对织物纹理图像和医学图像都有着良好的分割效果,鲁棒性强。     

基于分形几何的WFA算法在图像压缩中的应用

对WFA算法进行进一步的研究,结合平均保持和迭代推导算法,提出了基于分形几何的WFA算法在图像压缩中的应用方法,能有效提高图像压缩比和信噪比。     

基于自相似系数聚类的快速分形编码研究

自相似是分形理论中重要的特征,广泛地应用于分形图像编码.聚类分析是将数据对象分组成为多个类,在同一个类中的对象之间具有较高的相似度.通过对图像自相关模型的研究,提出了判断图像自相似性强弱的方法,定义了自相似系数来表征图像的自相似程度,并将自相似系数与聚类算法相结合,改进了分形图像编码,实验结果表明,该方法在不影响重建图像质量的情况下,加快了分形编码的速度.     

基于模拟退火算法的自适应分形图像压缩

针对传统的分形图像压缩方法存在计算量大,编码耗用时间长的缺点,本文引入模拟退火算法思想,提出了一种基于模拟退火算法的自适应分形图像压缩编码方法。实验结果表明,与传统的分形图像压缩方法相比,该方法在保证图像压缩比和图像质量的情况下,可以大幅度地减少了图像的编码时间。     

分形在自然景观仿真研究中的发展与展望

给出了在分形云、分形山以及分形树方面的现有研究成果,在此研究基础上,提出了对自然景观综合模拟的算法建议.     

一种改进的K-均值聚类分形编码方法

为了解决分形图像编码耗时过长的问题,该论文主要研究了基于K-均值聚类的快速分形编码算法。首先引入方差法将子块分为简单块和复杂块,随后采用K-均值聚类算法对复杂子块及父块进行分类,并在搜索匹配父块的过程中运用近邻搜索法,使得相应子块仅在近邻范围内与同类的父块进行匹配运算。该方法对匹配块的搜索过程进行了优化,大幅度减少了编码时间。测试结果表明,与基本分形编码算法相比可提速多倍,并且其重构图像效果较好。