基于聚类分析和支持向量机的布匹瑕疵分类方法

提出一种基于聚类分析和支持向量机(SVM)的布匹瑕疵分类方法.该方法充分利用瑕疵的几何特征,首先使用迭代自组织数据分析技术算法(ISODATA)对其进行聚类,在聚类形成的子空间内再根据瑕疵的纹理特征利用SVM进行分类.根据布匹瑕疵的特点提出一种新的几何特征,并使用各类瑕疵的几何特征均值作为初始聚类中心,提高ISODATA算法的聚类效果.实验表明,该方法有效地提高了分类准确性,降低了训练的复杂度,分类准确率可达90%.     

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。     

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.     

基于模糊聚类分析的织物质量分级方法

织物性能的分类、分级信息是纺织品质量评估的直观表述。在织物客观评估的基础上，提出了基于减法聚类与模糊C-均值(FCM)聚类的集成方法用于纺织品质量评估分析。该方法以减法聚类算法得出的样本的最佳分类数为基础，用FCM聚类算法得到具体的分类结果。将聚类中心的特征值之和定义为分级指数，进一步用于解决织物质量的分级问题。通过对法国鲁贝高等纺织工程学院自织的43块棉针织物的分析，证明了以上方法在处理纺织品质量分类、分级问题中的有效性。     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

一种改进的模糊C均值聚类算法

由于现有模糊C-均值聚类算法固有的局限性,本文提出了一种改进的模糊C-均值聚类算法.首先用概率密度函数来确定初始聚类中心点和聚类数,其次用竞争学习思想提出使对手增加抑制因子来修改隶属度得到加快收敛速度的效果,最后提出用一个类内差异与类间差异兼备的新的有效性指标来作为迭代条件的目标函数.通过实验获取参数的最优取值范围,通过与经典模糊C-均值聚类算法的比较,证明了该改进算法不仅加快了收敛速度,而且在聚类结果的质量上有一定程度的提高.     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

卫星云图云分类的一种综合优化聚类方法

为了改进和提高目前卫星云图云分类中客观性、定量性和自动化程度的不足,运用遗传算法（GA）全局寻优、模糊C均值聚类（FCM）局部寻优、模糊减法聚类（FSC）客观估算聚类数等优势互补的思想和途径,进行卫星云图的云分类判别。试验结果表明,综合优化方法（FSC-GA-FCM）的云分类效果明显优于单一的FCM和GA算法,可有效弥补FCM和GA算法在云分类中存在的不足,可运用于实况云图的云分类客观、自动判别。     

基于二阶段微粒群优化模糊C-均值算法的模糊聚类分析研究

针对常规动态聚类方法对初始聚类中心的敏感性和容易陷入局部最优的缺点等问题,提出了基于二阶段微粒群优化模糊C-均值算法(TPSOFCM),并将此算法与现有的模糊C-均值聚类算法和基于多阶段的模糊C-均值算法进行比较。该算法对Iris数据进行聚类,计算结果表明:该算法有较好的全局收敛性,不仅能有效地克服传统的模糊C-均值算法易陷入局部最优解的缺点,而且全局收敛能力优于模糊C-均值聚类算法和基于多阶段的模糊C-均值算法。     

基于模拟退火原理的模糊C-均值聚类在证券市场中的应用

通过将模拟退火技术与模糊C-均值聚类相结合,提出了一种新的具有全局优化的模糊C-均值聚类算法,用于解决一般动态聚类方法中聚类结果对初始中心的敏感性问题。利用该方法,对上证50指数分类,并对分类结果的特征进行了分析。仿真结果表明该方法是一个具有全局最优解聚类方法。     

基于二元语义和区间FCM的森林公园生态安全评价方法研究

由于传统的生态安全评价方法不能处理区间数和语言值,并且安全度等级划分的主观性和随意性较大,评价结果有效性差。基于二元语义和区间FCM的生态安全评价方法,将实数看成区间数的特例,语言数也转化为区间数,FCM聚类方法将区间值转化为语言值,根据最大隶属度原则,对方案集进行分类。将语言值转化为二元语义,将方案集成结果转换为二元语义,利用二元语义的有序性对方案进行排序,既能处理区间值也能处理语言值,分类标准更加客观。     

一种基于黑洞算法的模糊C均值文本聚类方法

FCM算法应用于文本聚类时,由于初始聚类中心点选择的随机性,以及容易陷入局部最优的问题,导致文本聚类效果较差.为了提高FCM算法的聚类精度,提出了采用黑洞算法寻找FCM最优初始聚类中心的方法.黑洞算法是一种启发式优化方法,在FCM初始聚类中心寻优的过程中,始终保持黑洞为全局最优解,最终发现FCM的最优初始聚类中心.实验结果表明,基于黑洞算法的FCM文本聚类方法可以解决FCM算法对初始中心点敏感和容易陷入局部最优的问题,聚类精度明显提高.     

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.     

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.     

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．     

改进测度下的模糊C均值三元催化器故障诊断方法

针对采用物理建模刻画三元催化器故障演化精确性不足问题,提出一种基于尾气大数据的改进测度模糊C均值(FCM,fuzzy c-means),故障诊断方法。该方法包括分数阶傅里叶变换(FRFT,fractional fourier transform)下的故障特征提取与优化、核熵成分分析(KECA,kernel entropy component analysis)下的分形故障特征降维以及改进相似测度下的FCM故障特征聚类。首先,对不同工况的尾气数据进行FRFT处理,获取三元催化器从时域到频域的精细故障信息,同时利用粒子群算法(PSO,paticle swarm optimization)选取最优的FRFT特征,并由分形算子给出相应精细特征的分形维数;其次,借助KECA对候选的高维分形特征进行维数约简;最后,将获得的故障特征提交给改进测度的FCM故障分类器完成故障诊断。数值实验结果表明,较之采用欧式距离或余弦距离的FCM方法,研究方法的故障诊断精确度更高。     

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GA和FCM的岩体结构面的混合聚类方法

提出了一种基于遗传算法(GA)和模糊C均值(FCM)算法的岩体结构面混合聚类方法.利用GA的全局搜索性能,求得初始聚类中心:在此基础上利用FCM算法,根据精度要求再作进一步求解.该方法避免了人为划定分类界限的主观性,消除了FCM聚类算法的局部最优的弱点,解决了采用普通遗传算法聚类时搜索速度和聚类精度的矛盾.结合实测数据,对应用该方法进行结构面组识别的步骤、参数选取、分组有效性、优势方位的判定进行了分析和讨论.