基于互信息的模糊粗糙集属性约简

模糊粗糙集知识约简是模糊粗糙集理论的核心内容之一。该文从粗糙集知识熵出发,结合模糊集隶属度函数,将其应用于模糊环境下,推广了互信息的度量概念,使其能评价模糊决策表中属性的重要性。并给出了一种模糊决策表的启发式属性约简算法,通过实例验证了它的可行性,为模糊决策表的属性约简提供了一种有效的方法。     

基于多属性模糊C均值聚类的属性约简算法

模糊C均值聚类算法在处理高维数据集时,存在计算复杂度高,算法泛化能力差,计算精度低等问题。考虑到特征属性对聚类的贡献程度的差异,在多属性模糊C均值聚类的思想上,提出一种基于属性重要性的约简算法。为验证有效性,在UCI数据集上,将新算法与因子分析法和粗糙集理论约简方法进行比较分析。实验结果表明,该方法具有更好的泛用性,在平均标准差大或类间中心距离较远的数据集上具有更好的性能。     

超谱遥感图像的波段选择新方法

针对超谱遥感图像的高数据维给图像进一步处理带来的困难,本文构造了波段选择方法的数学模型,该方 法基于统计学原理,通过选择信息量大并且与其它波段相关性小的波段来降低超谱数据维数。本文将降低后的超谱数据进 行小波融合与K．均值非监督分类。分类结果表明,该波段选择的方法能够将保留信息丰富的波段,分类效果与使用原始 波段相比有所提高,计算复杂度大大降低。     

基于FCM的模糊粗糙属性约简

为解决粗糙集离散化过程中存在的信息损失问题,将粗糙集理论与模糊集理论相结合,提出基于FCM的模糊粗糙属性约简算法.该方法用模糊C均值聚类算法对连续属性进行模糊化,并通过有效性分析来确定最佳分类数目.该方法克服了目前属性模糊化方法需要人为规定划分类数.几乎不考虑信息系统的具体属性值等缺点.最后分别对天气信息系统和玻璃识别信息系统进行了属性约简计算,结果表明该方法是可行有效的.     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

基于粗糙集的图像聚类分割方法研究

结合粗糙集理论和K-均值聚类算法,提出了一种图像分割方法。将原图像按等价关系进行划分,基于属性约简的概念对不同区域按照不可分辨关系分类。分割结果表明,文中方法是一种有效的图像分割方法,具有良好的鲁棒性。     

基于粗糙集的图像聚类分割方法研究

结合粗糙集理论和K2均值聚类算法,提出了一种图像分割方法。将原图像按等价关系进行划分,基于属性约简的概念对不同区域按照不可分辨关系分类。分割结果表明,文中方法是一种有效的图像分割方法,具有良好的鲁棒性。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

基于模糊聚类的家庭成员识别算法

同一家庭的成员,相貌相似度高,不同家庭的成员,相貌相似度低。而聚类算法就是对数据进行分类,使同一类的数据对象相似度高,不同类的数据对象相似度低。本文构造相貌相似的模糊相似矩阵,计算出传递闭包,获得准确的聚类结果。本文提供了模糊传递闭包的理论和具体的应用实例,有较好的参考价值。     

模糊聚类的有效性分析

聚类算法在数据分析与图象处理等许多方面应用十分广泛,尤其是模糊C均值(FCM)聚类算法受到人们的普遍重视。象其它聚类算法一样,进行FCM聚类时,需事先确定一些参数,如:聚类类别数C模糊加权指数m、向量范数等。如何确定数据的最佳分类,使之能准确真实地反映实际数据的内部结构,这就是聚类的有效性问题。本文在实验的基础上对FCM聚类算法进行有效性分析,并提出了一个能表征FCM聚类有效性的启发性函数,得到了一些有用结论。     

基于上下文模糊C均值聚类的图像分割算法

像素间的上下文相关信息对图像分割算法的抗噪性和准确性具有重要意义,现有的模糊C均值(FCM)聚类算法对此缺乏充分考虑.该文基于对空间上下文的可靠性度量,提出一种模糊C均值聚类算法(RSFCM)应用于图像分割:通过对空间上下文有效建模来提高聚类算法的抗噪声干扰性能,并研究了一种新的可靠性模糊度量指标,使聚类算法能更好地平...     

基于模糊C均值聚类的作物病害图像分割方法研究

图像分割是指将人们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别.基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别.模糊C均值聚类是一种重要数据分析和建模的无监督方法,为提高作物病害图像的分割效果,根据作物病害图像的特点,提出一种基于模糊C均值聚类算法的作物病害图像自适应分割方法,并与K均值聚类算法进行比较,结果显示本文算法在进行图像分割方面表现出明显优势.     

基于自适应松弛的鲁棒模糊C均值聚类算法

噪声是影响聚类结果的最重要的因素之一,现有的模糊聚类算法主要通过对隶属度约束进行松弛的方式来降低噪声样本的影响。这种方式仍然存在两个基本问题需要解决：第一,如何评估一个样本是噪声的可能性;第二,如何在抑制噪声样本影响力的同时,保留正常样本的作用力。针对这两问题,该文提出了基于自适应松弛的鲁棒模糊C均值聚类算法(AR-RFCM)。新模型基于K最近邻的方式(KNN)来估计样本的可靠性,自适应地调整松弛参数,从而实现在降低噪声样本影响力的同时,保留可靠样本的作用力。此外,AR-RFCM利用了C均值聚类模型中隶属度的稀疏性来提高可靠样本的作用力,从而提高数据簇的内聚程度,进而降低噪声样本的影响。实验表明,AR-RFCM不仅在处理噪声样本时具有良好的鲁棒性,同时在25个UCI 数据集实验中,分类正确率(兰德指数)平均高于FCM算法7.7864%。

     

基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩

高光谱遥感图像具有丰富的光谱信息,数据量大。为了能够有效地利用高光谱图像数据,促进高光谱遥感技术的发展,该文提出一种基于自适应波段聚类主成分分析(PCA)与反向传播(BP)神经网络相结合的高光谱图像压缩算法。算法利用近邻传播(AP)聚类算法对波段进行自适应聚类,对聚类后的各个分组分别进行PCA运算,最后利用BP神经网络对所有主成分进行编码压缩。该文的创新点在于BP神经网络压缩图像时,在训练步骤过程中,误差反向传播是用原图与输出作差值,再反向调整各层的权值、阈值。对高光谱图像进行波段聚类,不仅能够有效地利用谱间相关性,提高压缩性能,还可以降低PCA的运算量。实验结果表明,该文算法与其它现有算法比较,在相同压缩比下,其光谱角更小,信噪比更高。     

快速自适应非局部空间加权与隶属度连接的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法难以对噪声图像进行分割的问题,该文提出一种快速自适应非局部空间加权与隶属度连接的模糊FCM抗噪图像分割算法。首先,利用一种非局部空间信息快速计算方法,将以图像所有像素为循环的原始非局部信息计算方法,改为以搜索窗口尺寸为循环,利用空间位移图像与递归高斯滤波的计算方法,克服非局部空间信息计算复杂的问题;其次,计算原始图像与非局部信息项的差值的平方,将其作为非局部信息项的自适应权重,并将差值的平方作倒数变换,作为原始图像的自适应权重;最后,将每个聚类簇中所有像素隶属度之和的对数平方加入目标函数的分母,形成隶属度连接,减少目标函数迭代次数。含噪人工与自然图像分割实验表明,该算法在分割准确度、平均交并比、归一化互信息、运行时间与迭代次数等性能方面优于其他几种FCM算法。

     

基于最大平均差异的迁移模糊C均值聚类

该文针对迁移聚类问题,提出一种基于最大平均差异的迁移模糊C均值(TFCM-MMD)聚类算法。TFCM-MMD解决了迁移模糊C均值聚类算法在源域与目标域数据分布差异大的情况下迁移学习效果减弱的问题。 该算法基于最大平均差异准则度量域间差异,通过学习源域和目标域的投影矩阵,以减小源域和目标域数据在公共子空间分布的差异,进而提升迁移学习的效果。最后,通过基于合成数据集和医学图像分割数据集的实验,进一步验证了TFCM-MMD算法在解决域间差异大的迁移聚类问题上的有效性。     

基于改进的模糊C均值聚类图像分割新算法

模糊C均值（FCM）聚类算法广泛用于图像的自动分割,但是传统的FCM算法没有考虑像素的空间信息,因而对噪声十分敏感。为了克服上述问题,提出了一种新的基于改进的FCM图像分割算法。该方法将空间的信息融入到标准的FCM算法中,通过引入表征邻域像素对中心像素作用的先验概率来重新确定当前像素的模糊隶属度值,该概率在算法执行过程中根据模糊隶属度值自动地予以确定。算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高。人造图像和实际图像的实验结果表明该方法的有效性和对噪声具有较强的鲁棒性。     

基于粗集与遗传算法相结合的文本模糊聚类方法

该文将粗集与遗传算法相结合的方法成功应用于文本模糊聚类.在聚类过程中,将权重参数的设定也通过编码由遗传算法确定,从而使得权重参数的设定具有科学性和可操作性,避免了在类似算法中确定权重时的主观性和不可靠性.最后的实例说明了算法的可行性.     

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路：改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS)：首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。