基于分层聚类的FCM算法

为了更好地实现聚类,在分析分层聚类和FCM算法优缺点的基础上提出了一种改进的聚类算法。改进算法将分层聚类和FCM聚类算法的优点相结合,首先采用分层聚类,得到一初始聚类结果,然后应用FCM聚类算法重聚类。实验结果表明,改进算法较原传统的聚类算法,不但算法执行速度较快、效率较高,而且聚类效果也较好。     

面向FCM聚类阈值分割的聚类有效性判别函数

为了得到FCM聚类多阈值分割中最佳聚类个数,针对Bezdek熵在数字图像数据聚类有效性判别中的不足,提出一种改进的聚类有效性判别函数.新函数通过在Bezdek划分熵中增加补偿项来突出最佳聚类时的函数值,提高有效性判别的正确性.试验结果表明,基于改进初始隶属度矩阵生成方法的FCM算法,计算迭代次数为传统FCM方法的55%,计算用时减少了约45%,而且由改进聚类有效性判别函数得到的最佳聚类数目和试验图像相符,效果明显优于Bezdek熵方法,由最佳聚类数得到的分割图像能够体现目标绝大多数信息,证明了本算法的有效性和正确性.     

模糊C-均值(FCM)聚类算法的改进

针对目前模糊C-均值聚类算法不适用于有噪声和样本不均衡等问题,借助改进算法AFCM和WFCM的思想,提出另一种新的聚类算法。它是AFCM和WAFCM结合的一种算法,但有着更好的健壮性和聚类效果。     

基于改进的FCM聚类算法的图像分割

本文从利用空间信息的角度进行了研究,从邻域距离约束的角度出发,提出一个新的聚类目标函数,得到基于邻域距离约束的FCM图像分割算法。将该算法用于人工图像和实际图像的分割实验,实验结果表明了该算法的有效性以及对噪声的鲁棒性。     

FCM聚类算法在数字图书馆中的应用研究

运用模糊C-均值(FCM)聚类算法对数字图书馆的图书借阅数据进行数据挖掘,并使用误判率交叉估计法验证挖掘过程的有效性.通过分析聚类挖掘结果,寻找到读者借阅图书的潜在规律,并对各类图书的借阅质量进行判断,以提高图书馆的图书利用率,进一步优化馆藏.     

FCM聚类的软划分:以遥感图像城镇下垫面聚类为例

FCM是应用最广泛的模糊聚类方法之一.与分明聚类不同,模糊聚类以隶属度描述实体类属的确定程度,对于聚类过程中的质心调整和聚类结果分析等,具有重要参考价值.常规FCM应用中,一般以最大隶属度确定聚类结果中像素的类别归属,这种硬性划分,常常会将一些像素划分给了不恰当的类.本文采用的是一种软划分方法,它利用FCM聚类隶属度,对聚类结果做自适应解模糊处理.处理主要依据隶属度的背离特性(以类间隶属度标准差表征)和像素的空间依存关系(以邻域像素归属比例等表征).主要流程包括:①以FCM聚类获取聚类隶属度矩阵;②计算一个像素属于各类别隶属度的标准差,并以标准差取反的商作为该像素最大隶属度的权;③按类别统计像素邻域元素的隶属度加权元素密度(中心像元赋予3倍权重);④同时以2和3的结果作为中心像素划分的依据.为了免除人工干预,一些重要可调参数(如邻域窗口尺寸等)由自适应计算确定.实验表明以聚类图斑平均面积作为窗口尺寸能获得理想的结果.MATLAB仿真测试表明,以解模糊方法获得的聚类精度比最大隶属度方法的平均高出9%.     

遗传算法与改进的FCM聚类算法的结合

模糊C-均值聚类(FCM)对初始值很敏感,易于陷入局部极小点而不能搜索到全局的聚类中心,而遗传算法是一种全局搜索方法,本文通过改变隶属度约束条件由FCM算法得到一种新的模糊聚类算法PCM,并将其与遗传算法相结合。实验结果表明,这种方法明显优于传统FCM算法。     

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.     

改进遗传算法在模糊文本聚类中的应用研究

在分析了传统模糊聚类FCM算法和基于遗传聚类算法优点和不足的基础上,提出了一种基于免疫单亲遗传和模糊C均值的改进遗传聚类算法,克服了FCM的局部最优问题以及标准遗传算法聚类时的搜索速度和聚类精度的矛盾,并将该算法用于文本聚类,实验表明该算法是有效的。     

灰色聚类法在大学生人格评估中的应用

良好的人格素质是大学生成才的关键因素。本文试图用灰色聚类法对大学生人格素质进行评估，以期取得实际效果，为高校教育工作者提供了解学生人格素质的途径。     

基于专利和高新技术企业视角的区域创新能力绩效评价

区域创新能力已成为获取竞争优势的决定因素,专利对于区域创新能力乃至经济发展的支撑作用日益显现,并且成为区域创新能力的重要标志。高新技术企业是国家创新系统的重要组成,区域自主创新能力与高新技术企业的发展紧密关联。介绍了山西省专利发展状况,基于专利和高新技术企业视角,对如何进行区域创新能力绩效评价进行了探讨。     

南京科技创新能力的国际比较

在前人的研究基础上,梳理出城市科技创新能力代表性的指标,构建出城市科技创新能力评价体系。在指标体系分析框架下,把南京与香港、新加坡、台北、首尔和大阪等城市进行比较,最后得出在科技创新能力上,南京人力资源具有相对优势,资金投入明显不足;在科技产出能力上,南京发表SCI科技论文多,而专利申请量相对较少,也说明南京在创新成果转化上与亚洲的大都市有一定差距;在综合科技创新环境上,与处于全球城市中上游水平的新加坡、香港、台北、首尔和大阪等城市相比,南京处于下游水平,尤其是在信息设施水平上与它们差距很大。     

模糊C均值聚类算法及应用

在对模糊C均值聚类算法原理进行简要分析的基础上,进行了实验仿真。首先利用聚类树形图估计分类数,再利用模糊C均值聚类算法进行分类,结果表明算法具有较好的分类效果。     

FCM聚类算法与改进层次聚类算法的结合

模糊c-均值聚类算法(fuzzy C-means 简称FCM)和层次聚类算法是两种非常重要的聚类算法.由于FCM算法对初始聚类中心敏感,并且需要人为确定聚类类别数,这样收敛结果易陷入局部最优解.通过对这两种聚类算法的分析,首先对传统的凝聚层次聚类算法提出了改进,然后用改进的凝聚层次聚类算法得到最佳聚类数和初始聚类中心,最后用FCM算法进行再次聚类,以此得到更好的聚类结果并且减少了执行时间和迭代次数.     

加强科技中介机构建设,提高区域创新能力

论述了加快建立符合本土需要、与国际接轨的、规模化、专业化科技中介服务体系对于提高我国整体科技创新能力的重要意义。     

气象数据概化中的最佳聚类数研究

以黑龙江省中部地区2004年的气温和降水观测数据为实例,对数据挖掘中气象数据的概化问题进行研究．调查分析了概化方法和数据特征,确定采用模糊C均值聚类算法．重点研究了算法中最佳聚类数的确定,选取多种广泛认可的指标,对聚类结果进行有效性对比分析,采用综合最优的聚类数为最佳聚类数．研究发现这种方法聚类结果合理且具有较强的可拓展性．     

一种基于近似类抽样的组合聚类方法

FCM聚类算法具有线性的时间复杂度,但它对初始化非常敏感。而k-中心点轮换法对初始化不太敏感,但其缺点就是时间复杂度较高,不能直接应用到海量数据集的聚类分析中。为克服这两类聚类算法的缺点,而充分利用它们的优点,很自然地提出一种基于近似类抽样的组合聚类算法。这种组合聚类算法的时间复杂度是O（n2m）。仿真实验表明,它具有稳定的聚类结果。     

高新技术企业科技创新能力发展研究

当今科学技术日益发展,企业的竞争越来越表现为科技的竞争。高新技术企业是科技转换的载体,因此对高新技术企业创新能力进行系统的研究是提高高新技术企业核心竞争力的基础。本文从科技创新在高新技术企业中的应用、高新技术企业科技创新能力形成与发展的影响因素、创新能力对高新技术企业绩效的影响等方面梳理了相关的理论成果;指出了研究的不足之处,并对未来的发展前景进行了展望。     

高校科技创新能力评价方法比较研究

高校科技创新能力评价对于国家科技创新能力的发展,高校科技创新能力的提升具有重要意义。在文献研究的基础上,总结高校科技创新能力评价的常用方法,并基于可比较的角度,从定性、定量两方面对常用科技创新能力的评价方法进行比较研究,分析各种方法的特点、使用范围以及评价方法应用的进展情况,得到具有利用价值的分析结果,可为高校科技创新管理工作提供借鉴。