基于粗糙集理论的聚类融合加权迭代模型

针对聚类融合问题,考虑了聚类成员的质量和噪声对聚类结果的影响,提出一种加权迭代的聚类融合模型,利用粗糙集理论中的决策表属性重要性的信息熵来衡量聚类成员的重要性,迭代更新聚类成员的权重。该文在模拟和真实数据集上进行了校验。结果表明,该模型能较好地处理聚类成员间的质量差异,并能有效地消减噪声对融合的影响,从而得到更好的聚类融合结果。     

可变模糊聚类迭代模型合理性分析与应用检验

对可变模糊聚类迭代模型进行了深入分析,通过与指标等权重的著名的ISODATA模糊聚类迭代模型比较,论证了可变模糊聚类迭代模型的合理性与收敛性;同时指出ISODATA模糊聚类迭代模型是可变模糊聚类迭代模型一个特例.列举了水资源系统中的一个应用实例——年径流中长期预报,检验了可变模糊聚类迭代模型的实用性.     

基于模糊迭代聚类的水资源分区研究

给出一种模糊聚类循环迭代模型以及确定最佳聚类数的方法,采用交叉循环迭代的方法确定聚类中心,通过判断聚类准则函数获得最佳聚类数。最后将模糊聚类循环迭代模型应用到对我国 29 个省、市、自治区的水资源分区的研究中,将水资源按照 4 个指标分为 5 个类别,结果表明,模糊循环迭代聚类模型得出的分区结果比较合理。     

自适应样本加权的多视图聚类算法

将原始数据投影到一个包含几何一致性和簇分配一致性的空间,并且可以自适应学习几乎所有参数的多视图聚类算法,能够获得良好的聚类效果,但这样做没有考虑多视图中不同样本重要性不同的特点,忽视了噪声点与离群点对聚类效果造成的不利影响.针对上述问题,对样本重要性进行研究,提出一种自适应样本加权的多视图聚类算法.该算法对视图中不同的样本根据其重要性进行加权处理:首先给每个样本分配相同的权重,在之后的每次迭代中,不断进行自适应调整直至达到收敛条件.实验结果表明,该算法可以获得更好的实验效果.     

基于K中心算法分层视觉词典树构造方法

视觉词典树是通过视觉词袋(Bag of Visual Words,Bo VW)模型将一组图像形成单词表征场景。它主要通过聚类算法构造视觉词典树,为了改进K-Means在寻找聚类中心的过程中受到噪声异常维度的干扰,基于K中心算法提出了一种分层视觉词典树构造方法。该方法提出了从每次迭代后的聚类特征点中随机地选取新的中心点,可避免因噪声异常维度使计算中心点位置时有较大误差,从而可提高聚类质量,使类簇更加紧凑。在图像的分类实验中,分别使用K-Means和K中心算法对构建的视觉词典树进行性能评价,实验结果证明通过K中心算法构造的分层视觉词典树可有效提高图像分类准确率。     

基于可能性C-均值的鲁棒多视角聚类算法

目前多数多视角聚类算法不考虑噪声问题,为了更有效地分析含有噪声数据的聚簇结构,提出了一种基于可能性C-均值的鲁棒多视角聚类(PCM-RMVC)算法,该算法同时利用多个视角空间中的特征信息,最小化每个视角空间中数据对象与聚簇中心的距离.推导出数据隶属度和每个视角权重的迭代更新规则,设计出聚类过程的迭代算法.实验表明:PCM-RMVC算法对噪声具有较强的鲁棒性,并且聚类效果优于五种有代表性的多视角聚类算法.     

一种噪声启发式聚类算法

启发式聚类算法的搜索空间中布满了局部极小值"陷阱",从而使得算法容易过早收敛而无法获得高质量聚类结果.文章给出了一种噪声启发式聚类算法NHCA (Noising Heuristic Clustering Algorithm),该算法在搜索空间中增加一组由强至弱的噪声来扩大启发式搜索的局部范围,以保持搜索空间的多样性,达到避免局部极小值影响和提高聚类质量的目的.大量实验结果表明,噪声法对提高启发式聚类算法质量是十分有效的.     

基于聚类技术的集成学习方法研究

研究了基于聚类技术提高分类器差异性的方法.通过Bootstrap技术与分类器学习算法训练分类器模型,利用分类器在验证集上的分类结果作为聚类的数据对象;然后应用聚类算法对这些数据聚类,并在每个簇中选择分类器代表模型,以此构成集成学习的成员;最后应用融合方法实验研究了基于聚类技术提高差异性的集成学习性能,并与集成学习方法bagging,adaboost进行了实验比较.     

基于可变模糊集的模糊聚类迭代模型及其应用

针对经典模糊聚类迭代模型中不考虑聚类指标权重的缺点,基于可变模糊集理论给出了考虑模型参数指标权重变化的可变模糊聚类迭代模型.当模型中优化准则参数α等于2,模型参数指标权重为等权重时,可变模糊聚类迭代模型为广泛采用的Bezdek模糊聚类ISODATA (iterative self organizing data)迭代模型(Bezdek参数β等于2),即ISODATA迭代模型是可变模糊聚类迭代模型的特例.水资源系统中应用的实例及计算结果表明聚类成果符合实际,模型具有收敛于全局极小点的良好性能.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

基于SLIC-DPC算法的车辆检测研究

针对密度峰值聚类算法存在对噪声敏感,在图像较大时检测时间较长等问题,以停车场车位为检测研究对象提出一种简单线性迭代聚类-密度峰值聚类算法。首先对线性迭代聚类算法中颜色与空间距离值进行分析;接着运用主成分分析算法对图像的特征矩阵进行降维;其次改进线性迭代算法的距离函数以处理像素边界和形状;最后将算法运用于停车场车辆检测,得到最终检测图像。实验结果表明,本文方法在车辆形状保留度、噪声处理等方面效果显著,且运算时间大大降低。     

半监督模糊聚类及其应用

提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.     

蚁群与遗传算法融合的聚类算法研究

目的 通过将蚁群与遗传算法融合,以解决蚁群聚类算法参数众多且与问题域相关,搜索容易出现停滞现象等问题.方法 将主要影响蚁群聚类算法性能的5个参数作为遗传算法中的染色体进行编码.首先设计遗传算法的选择、交叉、变异算子,进而将用于聚类结果评价的F-measure函数作为适应度函数,通过多次迭代找出最优的参数组合.结果 在仿真实验中,获得了较好的聚类效果.结论 蚁群与遗传融合的聚类算法较蚁群聚类算法有更大的优势.     

一种融合图像滤波的FCM图像分割算法及其应用

模糊C均值聚类(FCM)算法常用于图像的聚类分割中,但常规的FCM算法对噪声的抑制能力较差。许多改进的FCM图像聚类分割算法虽能有效地抑制图像中的椒盐噪声和高斯白噪声,但是对图像中出现的大颗粒背景噪声的抑制效果仍然较弱。提出了一种融合图像滤波技术的FCM图像分割算法,根据噪声尺寸选择滤波窗大小,利用FCM聚类结果构造噪声判定矩阵并设计噪声判定规则,实现滤波窗内噪声点滤波操作。该算法针对人工合成的含噪灰度图像和实际的纤维图像进行了图像分割实验,实验结果表明:本文算法能有效抑制图像中的噪声,特别是大颗粒背景噪声,能获得满意的分割结果。     

xk-split:基于k-medoids的分裂式聚类算法

近年来互联网数据规模呈爆炸式增长,如何对大数据进行分析已成为热门话题。然而,采集的数据很难直接用于分析,需要进行一定程度的预处理,以提高大数据质量。通过使用分裂式的迭代过程,可以逐步将数据集分裂为子集,避免了传统聚类算法聚类开始时需要确定集群数的限制,并降低了算法的时间复杂度。此外,通过基于阈值的噪声数据过滤,可以在迭代过程中剔除噪音数据,提升了聚类算法对脏数据的忍耐力。     

基于Spark平台的岩石图像聚类分析

提出了一种基于概率选择的K-means聚类算法,并将其应用到Spark平台进行图像聚类,得到的数据集远小于初始数据集,大大降低了算法的迭代次数,聚类速度非常快。在Spark平台应用改进的K-means算法进行岩石图像处理,对岩石图像进行特征提取,使得岩石图像易于区分,解决了传统的聚类算法无法确定初始中心、聚类数目K的选取不当可能导致聚类失败、算法容易受到噪声和孤立点影响等问题。     

多通道Gabor特征的融合聚类图像纹理分割

针对图像纹理分割,提出了采用图像Gabor多通道特征进行融合聚类方法.首先采用Gabor小波对图像进行卷积滤波,得到每个像素点的多尺度多方向的Gabor特征,然后对其进行标准化以及Gauss平滑,减少噪声影响.对每个优化后的Gabor特征作为训练值,采用融合聚类算法每次随机选择部分特征进行聚类,通过运行多次基聚类,然后对聚类结果采用投票的方式得到最终的图像纹理分割,通过人工合成纹理与自然纹理图像实验证明该方法对纹理的分类具有较高的正确率.     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

基于知识粒度的高属性维稀疏聚类算法

目前的高属性维稀疏数据算法大多面向二态数据,而且没有聚类结果的评价方法,给应用带来很大局限.针对这些问题,文中提出了一种基于知识粒度的高属性维聚类算法.首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化,并基于此给出稀疏相似度和初始等价关系的定义;然后设计可变精度的二次聚类模型对初始聚类结果进行修正,使算法具有较强的抗噪声能力;最后结合应用领域定义一种新的聚类质量评价模型.实验证明,该算法可提供多粒度分析结果,准确度更高,得到的聚类结果能真实反映数据的特征.