基于线性回归分析的快速搜索聚类中心算法

针对一种可快速搜索和寻找到聚类密度峰值点聚类算法的缺陷,利用线性回归与残差分析的方法进行改进,可自动、快速地确定聚类中心且优化样本点密度值。算法利用样本点的近邻信息重新度量点的密度值,提高聚类中心点位置稳定性;利用一元线性回归与残差分析,快速、自动地选出聚类中心点,去除了人为选择的主观性。通过理论分析以及在人工数据集和真实数据集的对比实验表明,提出的基于线性回归分析的快速搜索聚类中心算法能够克服原有算法的缺陷,并且在聚类效果和计算时间上优于原有算法、基于密度的带有噪声的空间聚类算法(density based spatial clustering of applications with noise, DBSCAN)以及K-means算法。     

基于混沌优化的模糊聚类分析方法

提出了基于混沌优化的模糊聚类方法(COFCM).COFCM将混沌优化策略与传统的模糊C-均值算法(FCM)相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,同时结合梯度算子,使方法能有效收敛到极值点.以六组人工数据集和真实数据集作为实验数据,对聚类目标函数值、聚类有效性函数指标值进行对比实验,其结果表明COFCM能得到比FCM更好的目标函数值,从而有更好的聚类效果.最后将该方法应用于Lena图像进行图像分割,验证了方法的有效性.     

基于遗传优化的采样模糊C均值聚类算法

在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向数据库的数据挖掘经常要处理大量、高维的数据.在这种情况下,FCM算法在时间性能上难以令人满意.本文基于采样技术对FCM算法进行改进,以提高算法的时间性能,并利用遗传算法对聚类结果进行优化以保证聚类的质量,给出了一种新的基于遗传优化的采样模糊C均值聚类算法SFGO(SamplingFCMwithGeneticOptimization).仿真实验证明SFGO算法在大规模数据库的聚类挖掘中,在时间性能和聚类质量上都能获得较满意的结果.     

一种FCM聚类算法的改进与优化

针对一种FCM聚类算法的一些不足 ,提出了具体的改进与提高的方法 ,并引入模糊决策理论 ,进行算法参数m的优化选择。改进后的算法 ,一方面有效地弥补了原算法中存在的不足 ,更好地解决了聚类数目选择等初值问题 ;另一方面 ,通过对参数m的优化选择 ,取得了较理想的聚类效果。最后给出了几种聚类算法对某数据样本集的聚类对比结果。     

一种融合遗传算法和粒子群算法的改进模糊C-均值算法

针对模糊C-均值(FCM)算法必须预先给定聚类数c和容易陷入局部极小的缺点,提出了融合遗传算法和粒子群算法的GA-PSO-FCM算法.遗传算法(GA)嵌套在FCM算法的外层,用于自动寻找最优聚类数,并把有效性准则函数作为其适应度函数;粒子群(PSO)算法嵌套在FCM算法的内层,用于优化类中心向量,提高算法的全局搜索能力.最后,运用GA-PSO-FCM算法对Iris data、Wine data、Zoo data、WPBC data和WDBC data进行仿真实验,并与基于有效性准则函数改进的FCM算法、GA-FCM算法的仿真结果进行比较,表明GA-PSO-FCM算法能在预先未知聚类数的情况下,提高分类结果的精确性和稳定性.     

基于改进的模糊C-均值的分级递减聚类算法

提出了基于改进的模糊C-均值的分级递减聚类算法,利用改进的模糊C-均值聚类算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类数数据集的聚类。实验结果表明,本算法对未知类数、具有高斯分布的数据集具有聚类效果好、收敛快的特点,且对于类数较多的数据集,本算法也是一种快速聚类算法。     

基于退火的状态转移式模糊C-均值聚类算法

传统的模糊C -均值 (FCM)聚类是一种基于梯度下降的优化算法 ,该方法对初始化较敏感 ,且易陷入局部极小。借用模拟退火中系统温度的概念 ,提出基于退火的状态转移式模糊C -均值聚类方法 ,利用温度来控制类别中心的选取概率。实验结果表明 ,该方法可克服系统对数据集及初始解的敏感度 ,且能尽量避免陷入局部极小 ,而获得质量更优的解。     

广义均衡模糊C均值聚类算法

模糊C均值聚类(FCM)算法是一种快速有效的聚类算法,但它没有考虑各类样本容量的差异, 其最小化代价函数会导致聚类判决有利于少样本类.提出一种新的聚类算法—-广义均衡模糊C均值聚类, 通过对模糊C均值聚类最小化代价函数的改进,使得样本容量在聚类代价函数中发挥效用, 从而弱化了样本容量差异对聚类判决的干扰.讨论分析了该算法的性质,模糊隶属度的推导突破了FCM解析解的约束. 通过仿真实验,验证了所提出算法的有效性.     

一种使用支撑集的区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布。在此基础上提出了一种基于类别融合的区域型模糊聚类算法 (regionalfuzzyclusteringalgorithm ,RFCA) ,并就该模型的两个聚类参数 (δ和ε)对聚类性能的影响进行了分析。仿真结果表明 ,该算法有比常用的模糊C均值更好的聚类性能。     

核模糊C均值聚类算法优选BDS-3三频组合观测值

目前对全球导航卫星系统(global navigation satellite system, GNSS)三频组合观测值优选的研究,主要集中在全球定位系统(global positioning system, GPS)和北斗二号(beidou navigation satellite system, BDS-2)上,对BDS-3的研究相对较少。为克服以往聚类优选算法中存在的仅适用于类球形簇、聚类数目和初始聚类中心的确定主观性强、对离群点敏感、易陷于局部最优等不足,提出一种改进的核模糊C均值聚类算法,引入核函数与抑制离群点的新距离度量,基于多类广义核极化准则优化核参数,用改进爬山法确定聚类数目与初始聚类中心。然后,以模糊C均值聚类算法为对照进行了对比实验,在短、长两种基线下分别解算组合模糊度。通过对优选所得代表性组合的模糊度固定成功率进行对比分析,验证了该算法的可行性与算法改进的有效性。     

基于目标函数的直觉模糊集合数据的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于目标函数的聚类方法。该方法定义了直觉模糊集合间的加权相似性准则,解决了数据聚类过程中各维特征分配不均匀的问题。通过增加非隶属度参数对模糊c〖CD*2〗均值(fuzzy c means, FCM)聚类算法中的模糊划分矩阵〖WTHX〗U〖WTBZ〗和目标函数进行改造,进而给出迭代推导公式和算法描述,把聚类归结为一个带约束的线性规划问题,适用于大数据量的情况。最后通过典型实例验证了该方法的有效性和优越性。     

Kernel method-based fuzzy clustering algorithm

1.INTRODUCTION Clusteranalysisdividesdataintoclustersinorderto facilitateunderstandingortofindstructurehiddenin dataset.Clusteringalgorithmspartitionasetofdata objectsintoclustersorclasses,wheresimilardataob jectsareassignedtothesameclusterwhereasdissimi lardataobjectsshouldbelongtodifferentclusters. SinceZadeh(1965)presentedthefuzzysettheory, thefuzzymethodisfirstlyintroducedinclustering problems,whichiscalledthefuzzyclusteringanaly sis.Fuzzyclusteringisawidelyappliedmethodfor acquiri…     

Fuzzy c-means clustering based on spatial neighborhood information for image segmentation

Fuzzy c-means (FCM) algorithm is one of the most popular methods for image segmentation.However,the standard FCM algorithm is sensitive to noise because of not taking into account the spatial information in the image.An improved FCM algorithm is proposed to improve the antinoise performance of FCM algorithm.The new algorithm is formulated by incorporating the spatial neighborhood information into the membership function for clustering.The distribution statistics of the neighborhood pixels and the prior probability are used to form a new membership function.It is not only effective to remove the noise spots but also can reduce the misclassified pixels.Experimental results indicate that the proposed algorithm is more accurate and robust to noise than the standard FCM algorithm.     

改进Walsh码软扩频盲解扩算法

采用传统密度峰聚类算法实现Walsh码软扩频信号盲解扩时,算法的截断距离根据经验选取,性能不稳定。针对这一问题,提出改进密度峰聚类软扩频信号的盲解扩算法。该算法采用赋权欧氏距离作为数据的相似性度量并根据数据总体分布情况自适应确定截断距离,具有效率高、性能稳定等特点。Matlab环境下仿真结果表明,文中所述的改进算法能够自动确定截断距离,在信噪比为0~10 dB范围内准确估计伪码序列规模数和伪码序列,并在该条件下实现Walsh码软扩频信号盲解扩。     

Improved method for the feature extraction of laser scanner using genetic clustering

Feature extraction of range images provided by ranging sensor is a key issue of pattern recognition. To automatically extract the environmental feature sensed by a 2D ranging sensor laser scanner, an improved method based on genetic clustering VGA-clustering is presented. By integrating the spatial neighbouring information of range data into fuzzy clustering algorithm, a weighted fuzzy clustering algorithm （WFCA） instead of standard clustering algorithm is introduced to realize feature extraction of laser scanner. Aimed at the unknown clustering number in advance, several validation index functions are used to estimate the validity of different clustering algorithms and one validation index is selected as the fitness function of genetic algorithm so as to determine the accurate clustering number automatically. At the same time, an improved genetic algorithm IVGA on the basis of VGA is proposed to solve the local optimum of clustering algorithm, which is implemented by increasing the population diversity and improving the genetic operators of elitist rule to enhance the local search capacity and to quicken the convergence speed. By the comparison with other algorithms, the effectiveness of the algorithm introduced is demonstrated.     

基于加权双质心支持向量聚类的机群编队分组

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在典型数据集上验证了所提算法的有效性。通过对机群编队分组模型的描述,建立了机群聚类时一个目标点需要的特征集,完成了编队分组的仿真实验。仿真结果表明了所提算法能够针对应用的具体样本集实行快速聚类分析,并保证聚类结果的有效性。     

一种基于区间数多指标信息的FCM聚类算法

针对一类具有不确定性区间数多指标信息的聚类分析问题，基于传统的数值信息FCM(fuzzy c-means)聚类算法，提出了一种新的聚类分析算法．首先描述了具有区间数多指标信息的聚类分析问题，其次提出并证明了基于区间数多指标信息的关于最优划分和最优聚类中心确定的两个定理．然后根据提出的两个定理，进一步给出了基于区间数信息的FCM聚类算法的迭代步骤．最后，通过一个算例说明了给出的聚类算法．     

改进的聚类算法及在复杂大群体决策中的应用

针对现有FCM聚类算法中存在的局部极值和伸缩性较差等问题,提出了基于全部最小连通支配集算法(minimum connected donating set algorithm,MCDSA)的改进的聚类算法(minimum fuggy C-means,MF-CM)。用改进的聚类算法MFCM辅助复杂大群体决策(complex huge group-decision,CHGDS),定义了群体偏好矢量和群体一致性指标,提供了一种新的解决CHGDS中群体决策的理论和方法,并通过实验证明了该方法的有效性和稳定性。还提供了基于属性加权进化的群体一致性决策机制新思路。     

基于邻域加权模糊C均值的遥感影像分割

遥感影像分割是遥感影像识别和理解的前提和基础,遥感影像分割的结果直接决定着后续像分析和理解的质量。针对经典模糊C均值(Fuzzy C-Means,FCM)聚类算法分割图像时存在的不足,即该算法只考虑图像中像素自身的灰度值信息而没有考虑其邻域内的像素空间信息从而对噪声比较敏感,提出了一种邻域加权FCM(Neighboring Weighted FCM,NW-FCM)的遥感影像分割算法,该算法中邻域窗口内各系数(权)的值是根据图像自身的特性而自适应确定的。通过分割合成图像和实际的高分辨率遥感影像的实验结果表明,相对于其他几种方法,所提的方法取得了更好的分割效果。