融合减法聚类与C-均值聚类的目标定位方法

视频运动目标的检测与定位是视频监控系统的主要技术之一。针对现有视频监控系统目标定位过程在目标被浅度遮挡或存在噪声时定位不准确的问题,提出了一种新的视频运动目标定位方法。采用减法聚类、聚类有效性函数与加权模糊C-均值聚类方法相结合。首先利用减法聚类,获得初始聚类中心,再通过加权模糊C-均值聚类算法对视频运动进行目标定位,避免了算法陷入局部最优而获取了全局最优。然后引入聚类有效性函数,获得视频序列中目标的最佳个数。仿真结果表明,改进方法对存在噪声或野点的情况具有较好的鲁棒性,并可以在不需要人为给定待检测图像目标个数的情况下,对存在浅度遮挡区域的目标进行准确定位。     

一种基于谱聚类的灰度图像分割法

针对传统模糊核聚类算法当数据类差别很大时,小数据类被误分或被大数据类吞并的缺陷,提出了一种新的加权模糊核C 均值聚类算法(Weighted Fuzzy Kernel C-Means),为每一个类分配了一个动态权值;同时将该算法引入到谱聚类中,设计了一个以图像灰度特征作为分类样本的改进的谱聚类算法,解决了谱聚类应用于图像分割时权矩阵的谱难以计算的实际问题。实验结果表该算法具有较好的分割效果。     

基于减法聚类和快速紧密性函数的SF-FCM

首先结合减法聚类和模糊C-均值聚类各自的优点,运用减法聚类自适应地确定模糊C-均值聚类（FCM）的初始聚类数;然后,提出了改进的紧密性函数,以此改进用于确定FCM聚类结构的有效性函数.改进后的紧密性函数将对聚类结果贡献不大的数据予以剔除,使得算法适应能力更强,执行速度更快.实验结果表明,该快速紧密性函数是有效的,而且计算速度更快.     

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。     

基于模糊C均值改进算法和ANFIS的蓄电池SOC预测

蓄电池剩余电量预测作为蓄电池智能管理系统的核心部分,为合理控制蓄电池的充放电情况、延长蓄电池的使用寿命提供了判据。然而蓄电池剩余电量的影响因素复杂、预测难度较大。针对这一挑战性课题,提出一种基于改进的模糊C均值聚类和自适应模糊神经推理系统(ANFIS)的预测算法,采用减法聚类和加权模糊C均值聚类生成初始模糊推理系统,通过梯度下降法和最小二乘法混合算法对自适应模糊神经网络中的前件参数和后件参数进行训练,建立非线性预测模型。仿真结果表明,改进的聚类算法解决了传统模糊C均值聚类稳定性差以及对噪声点、错误点敏感的缺点,加快了收敛速度,在此基础上建立的蓄电池剩余电量预测模型也具有较高的预测精度。     

一种改进的模糊PLS模型在软测量中的应用

针对石油化工过程的特点,提出一种改进的模糊部分最小二乘的建模算法。该算法先用减法-模糊C均值聚类进行模糊结构辨识,然后用高斯核函数实现非线性PLS并且用其进行后件参数辨识,即得到多个子模型,再将各模型输出的数据进行隶属度加权求和得到最终的估计输出。最后,将该方法应用于航煤干点的估计,仿真结果表明该算法更有效,预测精度更高。     

一种新型基于样本空间密度的改进聚类算法

在减法聚类中一般只采用固定聚类半径训练聚类的做法,这样就可能得到过多或过少的聚类中心。为了提高聚类结果的最优性,从数据样本空间密度疏密程度考虑出发,改进了减法聚类算法,不仅改善了原来聚类半径只能固定的做法,而且适应于聚类大小不同时的数据聚类,使得调节参数更少,并结合模糊C-均值(FCM)聚类可以获得更为合理和准确的聚类个数和聚类中心,在一定程度上拓展了聚类算法的适用性。最后通过仿真证明了改进算法的有效性。     

基于样本-特征加权的可能性模糊核聚类算法

经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题,而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题,但算法假定每个样本对聚类的贡献程度一样。针对以上问题,提出了一种基于样本-特征加权的可能性模糊核聚类算法,将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力;同时,根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值,并优化选取核参数,不断修正核函数把原始空间中非线性可分的数据集映射到高维空间中的可分数据集。实验结果表明,基于样本-特征加权模糊聚类算法能够减少噪声数据和例外点的影响,比传统的聚类算法具有更好的聚类准确率。     

基于样本-特征加权的可能性模糊核聚类算法

经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题,而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题,但算法假定每个样本对聚类的贡献程度一样。针对以上问题,提出了一种基于样本-特征加权的可能性模糊核聚类算法,将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力;同时,根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值,并优化选取核参数,不断修正核函数把原始空间中非线性可分的数据集映射到高维空间中的可分数据集。实验结果表明,基于样本-特征加权模糊聚类算法能够减少噪声数据和例外点的影响,比传统的聚类算法具有更好的聚类准确率。     

基于成对约束的动态加权半监督模糊核聚类

针对样本间的不均衡性,提出一种基于成对约束的动态加权半监督模糊核聚类算法。在传统模糊聚类算法中加入半监督学习机制,通过Mercer核将原数据空间映射到特征空间,为特征空间中的每个向量分配一个动态权值,由此得到新的目标函数,并结合一种简单的核参数选择方法实现数据分类。理论分析和实验结果表明,与模糊核聚类算法及成对约束的竞争群算法相比,该算法具有更好的聚类效果。