混沌免疫模糊聚类算法在图像边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种混沌免疫模糊聚类算法.该算法把混沌变量加载于免疫算法的变量群体中,利用混沌搜索的特点对群体进行微小扰动并逐步调整扰动幅度,明显改善了免疫算法的群体多样性.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以提高基于人工免疫进化算法的模糊聚类算法的搜索效率.     

数字图像边缘检测的模糊聚类研究

数字图像的边缘检测实际上是一类聚类的问题,这些边缘由许多线段、曲线或平面和曲面所构成,组成了不同的类属和分割的区域,可以用在机器人视觉的模型识别、军事目标识别等领域。模糊聚类法（包括模糊均值聚类法和模糊球壳聚类法）具有不必事先对数据中的边界特征信息了解太清楚的优点,为此通过实验对其进行了有益的探索。     

改进模糊聚类算法在入侵检测中的应用

在模糊c均值算法基础上,提出一种将粒子群算法与c均值算法相结合产生基于自适应粒子群优化的模糊聚类算法(APFC).用KDD cup99数据集进行评估模糊c均值算法和APFC算法检测性能.试验结果表明, APFC均值算法能够避免模糊c均值算法固有的缺点,检测率提高和误报率下降,并且有较高的检测性能.     

基于粒子群模糊聚类算法的边缘检测仿真

将粒子群优化算法与模糊C-均值(FCM)聚类算法相结合,并应用于图像边缘检测,以期解决标准FCM算法在图像边缘检测中对初始值敏感及容易陷入局部极小的两大缺陷.首先,基于数学测度概念构造一个描述边缘点信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息特征向量,形成具有三维特征的数据集;然后对这个数据集应用粒子群模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.仿真实验表明,此算法具有良好的抗噪性能,能够得到较好的边缘效果,提高了边缘定位的精度.     

基于免疫模糊聚类算法的电网抗差状态估计

提出了一种基于免疫进化模糊聚类算法的电网抗差状态估计方法.该方法首先计算出量测数据的标准残差rN和相邻采样时刻量测值之差Δz,初步将量测数据划分为可疑数据和可靠数据.分别在0.5～1和0～1之间随机生成可靠数据和可疑数据的隶属度,形成初始分类矩阵,克服了整个分类矩阵在0～1之间随机生成的缺陷,并大大加快了算法的收敛速度.之后以γN和△z为特征值,应用免疫进化算法对分类矩阵进行模糊聚类,以获得各个量测量的良数据隶属度.依据各个量测量的良数据隶属度,进一步将量测数据划分入淘汰区、降权区、保权区进行状态估计.该方法能获得较高的抗差能力和状态估计精度,且数值稳定性较好.对IEEE14节点系统的算例仿真表明了该方法的有效性.     

模糊聚类算法在Web信息搜索中的应用

随着Internet的普及,Web信息量爆炸性的增长,数以亿计的Web页面形成了内容丰富而庞杂的WWW资源,如何从海量的数据中高效、高质量地检索到用户所感兴趣的信息资源是当前我国Internet资源挖掘的热点问题之一. 将基于模糊逻辑的聚类算法FK prototype引入到Web信息搜索中,改良了传统方法一刀切的 分类处理方式,从而有效地提高了Web文档的检索质量.     

基于小波变换和模糊c-均值聚类的图像边缘检测

提出一种结合小波变换和模糊聚类技术对图像边缘进行检测的新算法．首先,对图像进行小波变换。并将相邻尺度小波系数相乘以增强边缘和去除噪声,然后利用模板得到四个方向的小波模梯度值,并以其作为特征作成待分类点集,最后,采用模式识别中的模糊c-均值聚类技术进行自动分类,实现边缘检测．实验结果表明,该算法具有较好的边缘检测和抑制噪声的能力。     

改进模糊聚类算法及其在入侵检测中的应用

针对将数据集隶属度概率和为1的条件用于模糊性事件时,影响聚类的正确率的情况,在不确定理论的基础上,研究了数据隶属度问题,提出一种新的基于隶属关系不确定的可能性改进模糊聚类算法.该算法在迭代过程中将聚类的可能隶属度与不确定性隶属度引入到目标函数中,使得样本中的元素不局限于仅属于一个聚类,与现有的聚类算法相比具有更好的聚类结果.通过在KDDCUP99数据集上实验,验证了该算法在入侵检测中的检测率为95.8%, 分别高于K-均值算法的检测率(60.4%)和FCM算法的检测率(64.6%).     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于免疫进化的模糊集更新算法

动态模糊集在很多领域有着广泛的用途.在应用中,随着环境的变化,动态模糊集的更新是目前关注的一个问题,而动态模糊集如何反应环境的变化是动态模糊集更新的一个难点问题.本文提出了一只基于免疫进化的模糊更新算法,算法能够较好的体现环境的变化,使得更新后的模糊集更有利于模糊聚类的需要.     

基于并行免疫遗传算法基因表达数据的动态模糊聚类

提出一种改进的并行免疫遗传算法, 通过在群体规模上引入“岛”的概念, 实现了可变的群体规模; 通过在适应度函数内引入免疫算子, 避免了算法过早收敛. 因此, 解决了寻优算法中局部收敛的困扰, 提高了获得全局最优解的几率. 把此算法应用于斯坦福大学酵母细胞周期表达数据库的数据进行共表达聚类, 并将实验结果与Spellman按照功能基因组学进行聚类所得结果进行了对比, 证明了所给算法在功能基因组 学聚类上的有效性.     

一种新的动态进化聚类算法

针对模糊聚类算法不适应复杂环境的问题,提出了一种新的动态进化聚类算法,克服了传统模糊聚类建模算法须事先确定规则数的缺陷。通过改进的遗传策略来优化染色体长度,实现对聚类个数进行全局寻优;利用FCM算法加快聚类中心参数的收敛;并引入免疫系统的记忆功能和疫苗接种机理,使算法能快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型,可同时得到合适的模糊规则数和准确的前提参数,将其应用于控制过程可获得高精度的非线性模糊模型。     

基于模糊梯度的微齿轮图像边缘检测算法

提出一种基于模糊梯度思想的微齿轮图像边缘检测算法.该算法采用正切归一化函数对灰度图像模糊化,并计算该模糊图像的梯度矩阵;采用正弦函数对梯度矩阵进一步模糊化得到模糊梯度矩阵;采用基于归一化实数编码的遗传算法来搜索最优的阈值λ对模糊梯度矩阵做截集,获取图像边缘点集合.实验中以不同微齿轮图像作为实验对象,测试了该算法性能.实验结果表明,该算法的检测精度优于10μs,检测时间基本为1s,整体性能优于Canny算法和Pal-King算法.     

基于模糊c-均值算法和遗传算法的新聚类方法

为了得到最佳聚类数和相应的每一类中的样本,文中首先介绍了一种新聚类方法,用该方法构造了一个既考虑类与类之间的分散程度、又考虑同一类紧凑程度的目标评价函数;再运用模糊c-均值算法(FCM)进行迭代,求得每一类的中心和隶属度值;然后运用遗传算法搜索全局极值点;最后运用该算法对我国全要素生产力进行了模糊分类．     

基于边缘特征点聚类的车道线检测

针对复杂的道路工况及实时性的需求,提出了一种基于边缘特征点聚类的车道线检测方法。首先结合车道线边缘的梯度分布和灰度分布提取边缘特征点;然后依据车道线特征点的连续性和梯度方向的一致性进行特征点聚类得到离散区域,并通过衡量各区域之间的相似度进行区域聚类;最后选出最优类内的点进行拟合。在多种环境的道路场景下对该车道线检测方法进行验证,验证结果表明,该方法检测速度快、鲁棒性强,有助于实际工程应用下的车道偏离预警系统的研究。     

一种改进的快速模糊边缘检测算法

在介绍Pal模糊边缘检测算法的基础上，提出了一种改进的模糊边缘检测算法，采用该快速算法，不仅简化了Pal虎法中复杂的G和G^-1运算，而且提出了改进的模糊增强Tr变换，并减少了迭代次数。实验证明，采用该改进算法，不但提高了边缘检测的效率，而且检测效果优于Pal算法，并且有较好检测模糊边缘和抑制噪声干扰的能力。     

一种基于马氏距离的半监督模糊聚类方法及其应用

定义了一种新的基于马氏距离的半监督模糊聚类算法,并推导出它的迭代公式.该算法能够提高聚类算法的运行效率.在人工数据集和真实数据集上的实验结果验证了这种方法的有效性.提取了黄瓜叶片7个色调特征,Fisher降维之后进行半监督聚类分析.对于已标识类别属性的叶片,聚类结果与已知属性的一致率达100％,而对于未标识数据,一致率也达到96％以上.