基于直方图和加权FCM算法的图像分割方法

模糊c均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感。提出了一种基于直方图的加权模糊c均值(WFCM)聚类的图像分割方法,在传统的FCM聚类的基础上,该方法考虑了灰度直方图的灰度、邻域像素灰度的相关性对图像进行加权聚类分割。实验结果表明,该方法可显著提高图像分割的速度和精度。     

鲁棒性模糊C-均值聚类算法

针对模糊C-均值聚类算法（FCM）在参数输入受人为限定,且在系统应用中易受噪声或孤立点数据的干扰等缺点,提出一种鲁棒性FCM聚类算法（RFCM）,以降低噪声或孤立点的影响。     

结合非局部信息与模糊聚类的SAR图像分割方法

为改善传统模糊C均值(FCM)聚类算法在SAR图像分割时迭代次数多、鲁棒性与分割精度差等问题,通过选取主要像素点,结合图像非局部信息提出一种FCM改进算法.首先将图像分块并选取主要像素点构成主要像素集合,然后对像素集利用K-means聚类确定初始聚类中心,接下来在FCM算法的目标函数中引入非局部空间信息,利用灰度信息与...     

基于像素邻域信息噪声修正的FCM图像分割算法

针对模糊聚类算法（FCM）在图像分割中存在对噪声敏感的缺陷,提出一种利用邻域像素平均隶属度的信息修正噪声的FCM图像分割算法。该算法在利用FCM对图像进行分割的基础上,使用邻域像素信息对结果中存在的孤立点的隶属度进行修正,从而使孤立点得以消除,减少乃至消除噪声影响。实验结果表明,改进后的方法显著提高了FCM算法对噪声的抗干扰性和分割精度。     

基于灰狼优化的模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)存在易受初始聚类中心影响和容易陷入局部最优的问题,提出了一种将灰狼优化算法(GWO)和模糊C-均值相结合的新聚类算法（GWO-FCM）。该算法利用GWO算法强大的全局寻优能力对FCM算法的聚类中心进行优化,模拟灰狼优秀的搜寻猎物行为找到一组最佳聚类中心来提高FCM的聚类效果。通过UCI数据集的仿真结果和算法比较验证了该算法的有效性。     

改进的基于距离阂值的FCM算法

凝聚型层次聚类和模糊C-均值聚类是聚类中的两种常用算法,每种算法都有其自己的优点、缺点及适用的对象和范围。针对FCM算法的对初始值敏感,以及目标函数没有考虑类间距离的缺点,通过使用距离阚值,把凝聚型层次聚类与模糊C-均值聚类算法相结合,产生一种新的基于距离闲值的FCM算法,实验结果表明。这种算法能够自动的判断迭代的终止条件、快速有效的找到最佳聚类结果,从而实现对模糊C-均值聚类算法的自动优化。     

基于层次的模糊K均值聚类算法研究

通过对K均值聚类算法的研究,本文提出了一种基于层次聚类与模糊聚类思想的K均值聚类算法。算法首先使用层次方法对数据进行初始聚类,然后用得到的聚类数作为模糊K均值聚类中的K值,对聚类进行修正。最后通过实验,验证了该算法不需要人为假设聚类算法中的K值,而且引入了模糊隶属关系使类别的划分更接近于事实,从而证明了该算法的有效性。     

改进 K 均值聚类的不平衡数据欠采样算法

传统欠采样方法在处理不平衡数据问题时只考虑多数类样本的绝对位置而忽略了其相对位置,从而使产生的平衡数据集存在边界模糊问题。提出一种改进 K 均值聚类的不平衡数据欠采样算法（UD-PK）。该算法首先利用改进的 PSO 算法迭代寻找全局最优解作为 K-means 聚类所需初始值,然后通过 K-means 进行聚类,再按照每个类别中多数类与少数类的比例定义所取多数类样本个数,并根据多数类样本与簇心距离择优选择参与平衡数据集构造。在 UCI 数据集上的对比试验表明,该算法在少数类准确率上较一些经典算法有很大提升。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘算法中的重要方法之一.本文在分析了FCM算法和基于遗传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,克服了FCM的局部最优问题以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,实验表明该算法是有效的.     

基于混沌振荡粒子群优化的FCM文本聚类方法

针对模糊C均值聚类算法易于陷入局部极值的问题,设计了一种基于混沌振荡粒子群优化的模糊C均值聚类方法。该方法在标准PSO算法中设计了一个振荡环节并引入混沌理论以增加算法的多样性和收敛性,接着把优化后的PSO算法和模糊C均值聚类算法相结合。文本聚类的仿真实验表明,相对于PSO-FCM算法和FCM算法,CCPSO-FCM算法具有良好的全局搜索能力和收敛速度,聚类效果良好。     

基于PSO自动确定聚类数目的FCM算法

模糊C均值聚类是聚类分析中应用最广泛的算法之一,但是聚类数目需要人为预先设定,在实际应用中有极大的局限性。提出一种自动确定聚类数目的基于粒子群的模糊C均值聚类算法,通过对不同聚类数目进行试验,利用添加粒子阈值向量自动确定最佳的聚类数目。在预设的最大聚类数目内随机分割数据集,利用重构准则重新构建初始值,以此克服需要事先设置聚类数目的模糊C均值缺点。利用有效性函数评估算法性能,试验结果表明,该算法能自动找到最优聚类数目,聚类效果很好。     

一种改进的FCM算法在手写数字识别中的应用

模糊c均值(FCM,Fuzzy c-Means)算法是一种非常实用的模糊聚类算法,在非监督模式分类中占据着重要的地位。而手写数字识别在现实中也有着非常广泛的应用,如邮政编码、统计报表、银行票据等等。在FCM算法基础上,加入部分监督信息,并对手写数字图像用Zernike矩来筛选特征,最后通过MATLAB编程,验证了该改进的FCM算法对手写数字识别具有一定的可靠性。     

自适应融合空间信息的图像分割

传统模糊C均值算法没有充分利用像素周围的空间信息,所以算法抗噪效果不理想,且该算法仅利用像素隶属度信息,分割规则过于单一。因此,提出一种基于包含度及空间信息的聚类算法以提高图像分割抗噪性和准确性。首先将包含度信息加入到目标函数中,以弥补隶属度单一化的不足;其次将像素周围的邻域信息作为空间信息加入到目标函数中,使用信息熵与交叉熵调节像素信息和空间信息之间的权重;最后使用梯度下降法优化该目标函数以便对图像进行正确分割。以4组卫星图像为例进行分割,并分别与FCM算法、PCM算法、AFCM_S1算法进行对比。实验结果表明,基于包含度和空间信息的聚类算法对噪声点具有较好的处理效果,可提升分割精度和负率度。     

最小局部方差优化初始聚类中心的 K-means 算法

针对传统 K-means 算法随机选取初始聚类中心导致聚类结果随机性大、优劣不定的缺点,通过定义局部方差,利用方差反映数据密集程度的特性,提出一种基于最小 局部方差优化初始聚类中心的 K-means 算 法。该算法选取数据集中局部方差最小的点作为一个初始聚类中心,并利用数据信息更新数据集,直到选到 k个初始聚类中心,实现初始聚类中心优化。基于 UCI 数据集与人工数据集进行实验,与传统 K-means 算法及最小方差优化初始聚类中心的 K-means 算法进行性能比较。实验结果表明,基于最小局部方差优化初始聚类中心的 K-means算法具有良好的聚类效果和很好的鲁棒性,且聚类时间较短,验证了算法有效性和优越性。     

KPCA和FCM的击穿电压预测建模

针对变压器油击穿电压在线测量困难,提出核主元分析(KPCA)和模糊C均值聚类(FCM)的变压器油击穿电压预测模型。首先,通过KPCA提取输人数据的非线性主元;然后采用FCM将提取的主元集分成具有不同聚类中心的子集,同时,采用差分进化算法对KPCA核参数和FCM聚类数寻优,分别为每一子集建立最小二乘支持向量机(LSSVM)子模型;最后通过子模型切换策略得到模型的最终输出。实验结果表明,提出的预测模型具有较好的泛化能力和预测精度。     

聚类懒惰学习在短期负荷预测中的应用

负荷预测是电力系统分析与运行的基础,对机组组合、经济调度、安全校核等均具有重要意义。随着电网规模不断增大,数据库时间跨度也随之变大,对不良数据及冗余数据的处理造成影响,负荷预测精度和速度的提高难度显著增大。针对这一问题,提出基于懒惰学习与聚类算法的组合模型。该模型以懒惰学习（Lazy Learning, LL）算法为基础,通过选择相似样本对负荷进行差异性预测建模。在预测应用中,为缩小样本库数量,减小 LL算法的预测时间,利用模糊C均值聚类（Fuzzy C-means,FCM）对用电特征进行聚类从而生成局部训练集,以改进LL算法局部建模。实验结果表明, FCM-LL组合算法不仅能高效精确地预测负荷,而且能实现数据库的实时更新。     

一种基于初始点密度最大的改进型ISODATA聚类算法

针对ISODATA对初始聚类点选取较为敏感,不能处理噪声点的缺陷,提出一种基于结合密度最大的改进型ISODATA的划分聚类方法D-ISODATA。基于高局部密度点距离和局部密度最大原则,优化聚类初始点并去除噪声点。根据考察对象所处空间区域的密度分布情况划分基本簇,结合ISODATA聚类算法良好的自适应性,有效地对数据集进行分类。实验表明,这种基于密度聚类的改进型ISODATA算法能有效去除噪声点,改善初始中心点选择对最后聚类算法的影响,并且具有良好的自适应性,对于数据集处理的准确性优于传统K-means算法和ISODATA算法。     

基于改进K-中心点的电子地图数据质量检查算法

K-中心点聚类算法对噪声和孤立点的敏感性小,比较适用于增长速度快、更新频繁的电子地图数据,但K-中心点聚类算法初始中心点的选择会直接影响算法的稳定性和准确性,容易陷入局部最优解,从而影响聚类效果。提出一种基于改进K-中心点的电子地图数据质量检查算法,通过对样本数据集进行网格划分,结合样本密度信息选取初始中心点,解决了算法依赖样本数据实际分布的问题。评估实验结果表明,改进算法较K-中心点算法正确率提升了9.56%,效率提升了56.33%。     

基于模糊C均值聚类的嵌入式数据库并行推荐算法

嵌入式网络数据库优化访问的关键是对访问目标数据的准确推荐和挖掘,以实现数据的准确检索。提出一种基于模糊C均值聚类的嵌入式数据库并行推荐算法,构建嵌入式数据的数据结构模型,进行数据信息流属性集特征提取。采用模糊C均值聚类算法实现属性分类,以此实现嵌入式数据的库并行推荐和挖掘。仿真结果表明,采用该算法进行数据库访问,精度较高,执行时间较短,性能优越。     

基于点概率的K-means算法的改进

K-means算法是一种基于划分的方法,该算法对初始聚类中心的选取依赖性极大,初始中心值的不同导致聚类效果不稳定.为此,本文利用几何概率的思想,认为每个数据点都是等概率的存在于数据集,通过计算每个数据点的点概率值,结合距离因素,选择K个点作为初始聚类中心.实验证明,改进后的K-means算法聚类效果更好.