一种基于属性分解的FCM融合聚类算法

针对传统模糊C均值聚类算法只能发现"类球状"簇和对分量属性数据敏感的缺点,提出一种基于FCM的属性分解聚类再融合的分类算法。该算法将信息融合的思想应用于聚类算法,先在每个分量属性维度进行聚类,然后对各属性的聚类结果进行融合分析并得到聚类结果。独立对每个分量属性聚类的思想为算法的并行实现提供便利。实验结果表明,该算法不但能有效提高聚类的准确度,而且不需要提前对数据进行归一化处理,在分量属性量测数据存在偏差时仍然表现出良好的鲁棒性。     

基于改进FCM聚类算法的火灾图像分割

研究火灾识别问题,火灾图像分割是火灾特征提取和识别的前提,其分割效果直接影响火灾识别的准确率.针对现有分割方法中存在的经验阈值难以确定和因彩色信息丢失导致分割不准确等问题,为了准确识别火灾图像,提出一种改进的FCM聚类的火灾图像分割方法.方法选用符合人眼视觉特性的HSI颜色空间,根据数据分布特点确定色度分量H和亮度分量Ⅰ的初始聚类中心,分别在直方图特征空间进行模糊聚类处理,并利用像素的空间信息对模糊隶属度函数做了改进,最后在由两分量的模糊隶属度组成的二维特征空间上进行火灾图像分割.实验结果表明,算法可排除高亮区域的干扰,准确分割出火焰区域,为后续的火灾识别提供重要依据.     

一种改进的模糊C均值聚类算法

针对数据集中若存在孤立点或者是噪声数据会影响模糊C均值聚类算法(FCM)的聚类性能问题,本文将离群点的辨认方法与FCM算法相结合,提出一种改进的FCM聚类算法。该算法有效地降低了孤立点或噪声数据对正常数据的影响,提高了FCM算法的聚类精度。将该算法在入侵检测系统中进行实验验证,通过与FCM算法进行对比分析,证明了该算法的有效性和可行性。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

数据聚类的FCM与aiNet方法

模糊C均值聚类算法使用欧氏距离衡量,遇到潜在的类或簇背离超球面结构时表现不佳。利用免疫理论中的克隆选择、亲和力成熟和免疫网络理论来建构一种网络模型aiNet,将其用于数据聚类可以减少数据中的冗余,描述数据结构和聚类形状。通过实验比较了这两种方法的特点,结果表明,当潜在的类或簇背离凸集时,aiNet方法表现出良好的适应性。     

一种改进的模糊C-均值聚类算法

模糊C-均值聚类是一种经典的聚类方法.针对模糊C-均值算法对初始值敏感、收敛结果易陷入局部极小的问题,通过对原始数据的预处理,将欧氏距离推广到广义欧氏距离,得到了加权模糊C-均值聚类的迭代公式,实证分析表明改进后的方法得到的分类结果与嵌入遗传算法的分类基本一致,而且通过非参数检验证实分类效果良好.     

基于改进FCM聚类的BT-SVM多类分类算法

针对二叉树支持向量机在多类分类问题上存在的不足,利用粒子群算法对模糊C均值聚类算法进行了改进,在此基础上,结合二又树支持向量机,构建了偏二叉树多类分类算法.该方法在二叉树各节点处根据聚类中心所对应的样本构造学习样本集和最优分类超平面,保障了聚类精度,有效地提高了测试正确率.实验表明,本文提出BT-SVM多类分类算法的测试正确率要高于同类多类分类算法.     

一种改进萤火虫算法的模糊聚类方法

模糊C均值聚类容易受噪声数据影响,进而影响聚类准确率.鉴于此,提出了一种改进萤火虫算法的模糊聚类方法.该方法首先在萤火虫算法中引入Chebyshev映射初始化种群的分布;然后提出一种自适应步长方法来平衡探索与开发能力;最后在局部搜索过程中对每次迭代的最优个体加入高斯扰动策略,使其跳出局部最优.该过程拥有良好的寻优能力,...     

基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

基于遗传FCM算法的文本聚类

本文提出基于遗传FCM算法的文本聚类方法,首先采用LSI方法对文本特征进行降维,然后通过聚类有效性分析得到文本的类别数,最后再采用遗传FCM算法对文本进行聚类,这种方法较好的克服了FCM算法收敛于局部最优的缺陷,很好的解决了FCM算法对初值敏感的问题。实验表明提出的方法具有较好的聚类性能。     

基于MapReduce的分治k均值聚类方法

针对原始k均值法在MapReduce建模中执行时间较长和聚类结果欠佳问题,提出一种基于MapReduce的分治k均值聚类方法。采取分治法处理大数据集,将所要处理的整个数据集拆分为较小的块并存储在每台机器的主存储器中;通过可用的机器传播,将数据集的每个块由其分配的机器独立地进行聚类;采用最小加权距离确定数据点应该被分配的类簇,判断收敛性。实验结果表明,与传统k均值聚类方法和流式k均值聚类方法相比,所提方法用时更短,结果更优。     

改进的模糊C-均值聚类算法研究

为解决模糊C-均值（FCM）聚类算法对噪声和孤立点数据敏感、样本分布不均衡的问题,提出了具体的改进和提高的方法：改进隶属度函数,以消除孤立点对聚类结果的影响;为每个样本点赋予一个定量的权值,以区分不同的样本点对于知识发现的不同作用,改善噪音和分布不均衡的样本集的聚类结果。实验结果表明该算法具有更好的健壮性和聚类效果。     

改进的模糊C-均值聚类算法

为了克服模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

一种基于改进混合蛙跳的KFCM算法

针对核模糊C-均值（KFCM）聚类算法存在易陷入局部极小值,对初始值敏感的缺点。将混合蛙跳算法（shuffled frog leaping algorithm,SFLA）用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明,新算法与KFCM和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好。     

采用模糊C均值聚类改进模糊综合评判模型

在对模糊综合评判法进行分析的基础上,提出使用FCM算法改进模糊综合评判法的新评价模型,并以在教师教学质量评价中的应用为例对新模型的效果进行了验证,说明了模型的可行性与方法的正确性。     

改进的核可能性C-均值聚类算法研究

提出了一种改进的核可能性C-均值聚类算法,它是对PCM聚类模型的推广。通过限制PCM聚类模型中解的可行域,利用全局优化技术（以模拟退火（SA）为例）来求解,使其保持了PCM对噪声鲁棒的优点,又避免了重合聚类的产生,且能较好地找到问题的全局最优解,减少了全局优化方法的搜索范围,加快了收敛速度。     

A new fuzzy relational clustering algorithm based on the fuzzy C-means algorithm

In this paper, we show how one can take advantage of the stability and effectiveness of object data clustering algorithms when the data to be clustered are available in the form of mutual numerical relationships between pairs of objects. More precisely, we propose a new fuzzy relational algorithm, based on the popular fuzzy C-means (FCM) algorithm, which does not require any particular restriction on the relation matrix. We describe the application of the algorithm to four real and four synthetic data sets, and show that our algorithm performs better than well-known fuzzy relational clustering algorithms on all these sets.     

改进的粒子群模糊聚类算法

针对传统的模糊C-均值聚类算法对初始聚类中心较敏感、易陷入局部最优的缺点,将粒子群优化算法和FCM算法相结合,提出一种改进的模糊聚类算法。该算法利用粒子群算法的全局搜索能力代替FCM算法寻找初始聚类中心,使其跳出局部最优,实现模糊聚类。主要从反映数据集分类的类内紧致性程度和类间分离性程度的角度考虑,重新设计适应度函数。实验结果表明,提出的算法在聚类正确率和有效性指标上有更好的效果。     

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。