Weka平台上距离指数自动寻优的模糊C-均值聚类算法

针对距离计算对模糊C.均值聚类(Fuzzy C-Means,FCM)中心比较敏感的问题,文中提出了一种改进的模糊C.均值聚类算法(Minkowski Fuzzy C-Means,MFCM).MFCM算法采用距离指数可自动寻优的闵可夫斯基距离代替欧氏距离来计算样本集的相似度,以提高数据集的聚类准确率,减小平方误差总和.实验结果表明,Glass数据集、Balance-scale数据集和Vehicle数据集的聚类准确率分别由原来的42.52％、55.84％和45.86％提升到51.87％、62.56％和45.98％.此外,文章在开源数据挖掘Weka平台上实现了FCM和MFCM算法,弥补了Weka平台上集成少量聚类算法的不足.     

引入HMRF模型模糊聚类算法的遥感图像分类性能分析

传统模糊C均值(Fuzzy C-Means, FCM)聚类算法没有充分考虑图像中空间信息的约束作用,导致其对噪声比较敏感。为了改善上述问题,基于隐马尔科夫(Hidden Markov Random Field, HMRF)模型的模糊聚类算法被提出,该文将以遥感图像为研究数据,对该算法的分类结果进行定性评价。     

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

在模糊C-均值聚类问题目标函数中使用正则化泛函,将聚类中心解的误差指标引入到模糊聚类的目标函数中,构造出新的模糊C-均值聚类算法RBFCM(Regularization based Fuzzy C-means)算法.算法RBFCM不仅具有较高的聚类精度,且计算结果具有更好的稳定性.进一步,将此RBFCM算法应用于基于T-S模糊模型的系统辨识问题.由于RBFCM算法优化了模糊系统的输入空间划分,提高了隶属度函数的精度,使得后继得到的T-S模糊系统辨识精度也有所提高,且系统辨识过程的收敛速度也有所改善.最后,通过对经典IRIS数据集、带有噪声的IRIS数据集的聚类算例和对Box-Jenkins煤气炉数据集进行辨识算例,验证了RBFCM算法的有效性和优越性.     

CT图像的模糊聚类分割

本文描述了模糊聚类Fuzzy C-Means(FCM)算法实现CT图像分割的方法和过程,该算法的主要特点是提供了一种非监督方式的模糊聚类,它可满足CT图像工作站以非监督方式分割图像的要求。 介绍了CT图像模糊分割的特点,并对实验过程和结果进行了讨论。     

多分辨分析和K均值聚类改进FCM图像分割

模糊C均值(Fuzzy C-Means,FCM)聚类广泛应用于图像分割,但FCM聚类中随机确定初始聚类中心容易导致图像的错误分割.为了避免这个缺点,提出一种用于图像分割的FCM聚类初始聚类中心的选取方法.该方法利用图像灰度-邻域均值二维直方图的峰值的个数确定图像聚类数目,然后对图像的低频子带图像利用K均值聚类得到FCM聚类初始聚类中心.实测图像的分割实验表明该方法具可行性.     

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。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

用于图像分割的非局部空间约束的核FCM算法

图像分割是图像分析、图像理解的前提和关键,其结果直接决定着图像分析和理解的质量.模糊C均值(Fuzzy C-Means,FCM)聚类算法是一种常用的图像分割算法.然而,由于经典的FCM算法只考虑像素自身,从而对外围噪声比较敏感.因此,提出了一种改进的用于图像分割的FCM聚类算法.该算法通过利用核方法修改FCA-NLASC算法中的目标函数而实现,即用核距离替代FCA-NLASC中的欧氏距离,相应地得到核FCA-NLASC聚类算法——KNLASC-FCM聚类算法.利用提出的算法分别进行人工合成图像和实际图像的实验结果表明,当图像含有噪声时,与算法FCA-NLASC相比,KNLASC-FCM算法在主观视觉、客观量化两方面的评价中均具有更好的分割性能.     

基于主元回归模型的挖掘机液压系统故障诊断

为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.     

基于化工过程预报的最优化模糊系统

本文主要以化工过程预报为研究目标,提出了最优模糊聚类神经网络系统模型（FCNNS）.该模型有下列突出优点：数据首先利用模糊聚类算法对原始数据进行提取优化,然后将优化数据送入模糊系统进行学习产生模糊规则;优化规则数和优化隶属函数的参数,最终达到模糊聚类神经网络系统模型的最优化.该模型不但可以缩短规则生成的时间,有效的防止了规则数爆炸,而且在化工过程预报的应用中获得理想的结果.     

粗糙集模糊神经网络味觉信号识别系统

针对C-means聚类算法和减法聚类算法的不足,提出了一种模糊神经网络味觉信号识别系统模型,该模型利用粗糙集的离散化算法和规则提取算法获得数量较少的分类规则,将这些分类规则转化为模糊IF-THEN规则,进而通过这些模糊IF-THEN规则确定网络结构.网络输出采用投票机制,使用粒子群优化方法精炼网络参数,与常用的提取模糊if-then规则的算法相比,该方法只有一个参数且易于实现.实验结果表明:该方法可获得更简洁的系统表示,并且通过选择合适的系统参数可使系统对加噪声训练样本的错误识别率降低5%左右.     

WEKA环境下基于模糊理论的聚类算法

因特网上的数据规模大、动态性强,通常发现的知识或规则很可能是不精确和不完备的。为了克服以上不足,引入模糊理论,通过寻找模糊相似上近似集进行合理聚类,在确定聚类数目的过程中,利用平均信息熵进行最佳聚类。同时将模糊聚类算法嵌入WEKA平台,利用WEKA中的类和可视化功能,扩充了WEKA中的聚类算法。实验表明,算法对含有噪声的、分布不规则的大数据集具有很高的精度和收敛速度。     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题,提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM.该算法利用分布式K-Means聚类算法对每个数值型属性进行聚类,求得聚类中心,由此构造全局模糊集,定义全局隶属度函数.DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘,采用全局-局部站点模式,其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF.实验结果表明,该算法能准确地生成全局模糊频繁项目集,在求解全局模糊频繁项目集过程中,传送局部模糊候选项目集支持数的通信量为O(n),提高了算法的挖掘效率.     

基于直方图局部信息和Gath-Geva模糊聚类的彩色图像分割方法

针对Gath-Geva模糊聚类算法对初始给定的聚类中心等先验信息较敏感,提出了一种基于直方图局部信息的模糊Gath-Geva聚类新算法.实验结果表明,新算法在彩色图像分割方面,与传统模糊C-Means算法相比,具有较强的分割精度.     

一种确定最佳聚类数的新算法

针对K-均值聚类算法需要事先确定聚类数K的问题,将粒度计算引入样本相似度函数,定义了新的样本相似度,用模糊等价聚类确定数据集可能的最大类簇数Kmax.以Kmax为搜索上界,利用改进全局K-均值聚类算法,以BWP(Between-Within Proportion)为聚类有效性度量指标,提出确定最佳聚类数的一种新方法.通过UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明该算法不仅能有效确定数据集的最佳聚类数,而且适用于大规模数据集,但是会受到噪音点影响.     

邻域信息约束融合Students t混合模型的医学图像分割

医学图像的高噪声以及偏移场的存在使得传统图像分割方法在分割此类图像时分割效果不理想.针对上述问题,提出一种邻域信息约束融合Students t混合模型分割算法.首先,获取像素点的邻域信息进行滤波操作以达到降噪效果;其次,构建Students t混合模型,通过噪声平滑因子融合邻域信息约束修正先验概率;最后,利用最大期望(EM)算法求解,获取最大后验概率实现图像分割.实验结果采用DICE指标验证了算法的有效性.     

一种新的模糊决策树算法 ——基于加权毕达哥拉斯模糊熵

传统的模糊决策树虽然可以从模糊数据中抽取模糊分类规则,但只能获取节点的隶属度信息,无法得出样本数据对于节点的非隶属度和犹豫度信息,导致数据分类的准确率不高。针对此,基于毕达哥拉斯模糊集理论,提出了一种新的加权毕达哥拉斯模糊决策树算法（Weighted Pythagorean Fuzzy Decision Tree,WPFDT）。首先,通过改进的K-means聚类算法得到连续属性数据的聚类中心,并结合三角模糊数对连续数据进行模糊处理;其次,定义并计算每一个属性的加权毕达哥拉斯模糊熵,选择加权毕达哥拉斯模糊熵最小的属性作为决策树根节点,在根节点下递归选择模糊熵最小的属性作为分裂节点,同时通过阈值控制树的规模,得到从根节点到叶子节点路径的模糊规则以及模糊规则的隶属度、非隶属度以及犹豫度,并完成预测分类,直至生成WPFDT模型;最后,选取UCI上的3个医学数据集（Haberman、Breast Cancer、Parkinson）进行实验,在分类准确率和得出模糊规则的数量与3种传统决策树算法（模糊ID3算法、C4.5算法、CART算法）比较,实验结果表明：WPFDT在分类精度和树大小上都优于其他传统决策树算法,并且有较高的召回率和精确率。     

基于在线密度聚类的潜艇悬停自适应模糊建模

针对潜艇悬停过程这一时变、强耦合和不确定性的复杂非线性多输入多输出(MIMO)被控对象,提出了一种基于密度定义的聚类方法提取样本数据模糊规则、建立实常数值后件模糊模型的模糊自适应建模方法.通过密度聚类在线提取样本数据输入输出变量间的内在规则,确定被控对象合理的模糊模型结构;用前馈模糊神经网络结构表示模糊系统规则后件,并采用一阶梯度算法对实常数后件参数进行在线辨识.对潜艇悬停控制过程进行的仿真实验证明了该方法的有效性.     

一种基于网格划分的模糊聚类算法

提出了一种改进的模糊聚类算法GBFC(Grid—Based Fuzzy Clustering)．在定义隶属度函数前先做网格划分，形成数据簇的基本形状，并提供真实的参数信息参与此后的隶属度函数定义．隶属度函数综合考虑了影响簇形状的因素，具有合理直观的几何意义且形式简洁．算法通过网格划分加速聚类过程，通过模糊隶属度函数容忍噪声数据，克服了传统模糊聚类算法时间耗费量大的缺点．实验表明该算法具有良好的聚类性能．     

一种新的聚类组合算法

提出一种新的基于非负矩阵分解(NMF)方法的聚类组合算法(NMFCCA).该算法首先采用K-均值算法作为基聚类器,然后使用NMF方法从基聚类器输出结果中提取数据对象的关键特征,最后在关键特征空间中划分数据对象,生成最终结果.在人工数据集和真实数据集上的实验表明,所提出的算法是有效可行的.