搜索结果: 1-15 共查到“计算机科学技术 模糊c-均值聚类”相关记录24条 . 查询时间(0.802 秒)
基于核距离的直觉模糊c均值聚类算法
直觉模糊集 直觉模糊聚类 核方法 无监督学习
2016/12/26
针对现有直觉模糊c均值聚类算法无法发现非凸聚类结构的缺陷,提出了一种基于核化距离的直觉模糊c均值聚类算法.算法在定义了基于核的直觉模糊欧式距离基础上,通过把聚类样本映射到高维特征空间,使原来没有显现的特征突现出来,从而能够更好地聚类.实验选择一组人工数据集及一组UCI数据集测试了本文算法,并将其与五种经典的聚类算法进行了比较.实验结果充分表明了该算法的有效性及优越性.
经典的模糊C均值算法基于欧氏距离,存在等划分趋势的缺陷,分错率较高,只适用于球形结构的聚类。针对这一问题,利用数据的点密度信息,在数据点与聚类中心的距离度量中引入了调节因子,提出了一种基于密度的距离修正矩阵,并用其代替经典模糊C均值算法中的距离度量矩阵。通过人造数据集和UCI数据集的两组聚类实验,证实了改进算法对非球形结构的数据同样适用,且相比经典的模糊C均值算法具有更高的聚类准确率。
改进的粒子群优化模糊C均值聚类算法
模糊C均值聚类 粒子群优化 熵 聚类有效性
2010/8/25
针对传统模糊C均值聚类算法(FCM)存在对初值敏感和易陷入局部收敛的缺陷,利用改进的粒子群算法对FCM进行优化,提出一种新的模糊C均值聚类算法Improved PSOFCM,并建立基于熵的聚类有效性函数,对聚类算法的性能进行客观评价。数据集实验表明,Improved PSOFCM算法不仅能克服传统FCM算法的不足,而且在聚类正确率和有效性上也优于基于粒子群与基于遗传优化的FCM算法。
非局部降噪快速模糊C-均值聚类算法
非局部降噪滤波器 快速模糊C-均值聚类算法 图像分割
2009/12/28
传统的模糊C-均值聚类算法未利用图像的空间信息,在分割迭加了噪声的MR图像时分割精度较差。采用了既能有效去除噪声又能较好地保持图像边缘特征的非局部降噪方法,结合基于图像灰度直方图聚类分析的快速模糊C-均值聚类算法,得到了一种具有较高分割精度的图像快速分割算法。通过对模拟图像、仿真脑部MR图像和临床脑部MR图像的分割实验,表明提出的新算法比已有的快速模糊C-均值聚类算法有更精确的图像分割能力。
...
模糊C均值聚类图像分割的改进遗传算法研究
模糊C均值聚类 模糊C均值(FCM)聚类算法 遗传算法
2009/12/10
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...
一种快速的模糊C均值聚类彩色图像分割方法
模糊聚类 分水岭变换 彩色图像分割
2009/12/10
FCM用于彩色图像分割存在聚类数目需要事先确定、计算速度慢的问题,为此,提出一种快速的模糊C均值聚类方法(FFCM)。首先,对原始彩色图像进行基于梯度图的分水岭变换,从而把原始彩色图像数据分成一些具有色彩一致性的子集;然后,利用这些子集的大小和中心点进行模糊聚类。由于FFCM聚类样本数量显著减小,因此可以大幅提高模糊C均值聚类算法的计算速度,进而可以采用聚类有效性指标确定聚类数目。实验表明,这种方...
基于粒子群模糊C-均值聚类的图像分割算法
粒子群优化算法 模糊C-均值聚类算法 全局优化
2009/12/3
模糊C-均值(FCM)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,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。将粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。
基于模糊C-均值聚类航天图像分割方法的研究
图像分割 模糊C\|均值聚类 特征散度
2009/10/27
在图像分割领域,模糊C\|均值聚类算法得到了广泛的应用,但存在计算量大、易受噪声影响、目标与背景对比较弱时对边界处的像素分辨能力低等问题。针对以上问题对标准模糊C\|均值聚类算法进行了改进:利用一维灰度直方图来降低计算量;并在此基础上,考虑每一层灰度级的邻域像素之间的空间一致性;然后,构造特征散度来重构聚类算法的目标函数。最后用一幅测试图像和两幅航天高分辨率图像对改进的方法进行试验,结果表明,对于...
基于免疫遗传算法的模糊C-均值聚类
聚类算法 模糊C-均值算法 免疫遗传算法
2009/10/10
为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法(即免疫遗传算法)来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。
引入RNA计算的遗传模糊C均值聚类算法
模糊C均值算法 RNA计算 遗传算法
2009/10/10
模糊C均值算法(FCM)在聚类分析中是目前比较流行和应用比较广泛的一种算法。但它存在两个弱点:一是对初始化非常敏感,容易陷入局部极值点;二是处理大数据集时耗时太长。基于RNA的分子计算是近年来新兴的一种智能优化计算方法。提出了基于RNA计算的遗传模糊聚类算法(RNAGAFCM),来提高收敛速度和全局寻优能力。仿真实验表明新算法比现有的遗传模糊聚类算法减少了迭代次数,提高了收敛速度。
改进的模糊C均值聚类算法
模糊C均值聚类 自适应 簇的调整
2009/9/30
把自适应的策略与传统的模糊C均值聚类算法结合起来,形成新的模糊聚类算法。在不影响收敛速度的情况下,它能够很好解决局部最优以及对初始值敏感的问题。以UCI机器学习数据库中的两组数据集为研究对象,实验结果表明,它的精确度与自适应免疫聚类算法相当,能够得到准确的簇的数目,并且它的收敛速度更快,这对于如今网络数据的高速变化来说,该方法显得更为重要。
基于Gibbs场与模糊C均值聚类的脑MR图像分割
模糊C均值聚类 Gibbs随机场 各向异性Gibbs随机场
2009/9/21
模糊C均值聚类是一种经典的非监督聚类模型,已成功用于很多领域。但该算法对图像噪声比较敏感。为此,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到FCM框架中,完善其分类效果,使其在克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息。应用于脑MR图像分割,实验表明新算法可以得到较好的分类结果。
半监督加权模糊C均值聚类算法
模糊C均值聚类 点密度加权 半监督学习
2009/9/4
对于团状、每类样本数相差较大的数据集,FCM算法和半监督模糊C均值聚类算法都不是最佳聚类方法,因为它们对数据集有等划分趋势。针对这种情况,利用样本点分布密度大小作为权值,结合半监督学习方法,提出半监督点密度加权模糊C均值聚类算法。在半监督学习过程中,对于求极值的问题采用模拟退火算法。结果证明,点密度加权模糊C均值聚类算法确实能提高聚类精度。
区间型数据的模糊c均值聚类算法
模糊聚类 区间型数据 距离
2009/7/30
提取区间型数据的特征值,给出适用于区间型数据模糊聚类的FCM算法族(IFCM)。该算法适用于不同特征样本数据的模糊聚类运算,并可对聚类结果进行优化。聚类效果的仿真比较表明,IFCM聚类的平均失真度比基于欧氏距离的FCM聚类算法低6.81%。由于距离定义的合理性,IFCM可以根据区间型数据的不同特点调整特征值的聚类权重,并推广至多维类型数据的模糊聚类。