基于SLIC0超像素分割的阴影检测算法

对单幅阴影检测问题,提出了一种基于SLIC0（simple linear iterative clustering zero）超像素分割的阴影检测方法。首先采用SLIC0超像素分割算法对含阴影图像进行分割,生成超像素块检测出阴影轮廓,然后提出一种融合特征的支持向量机方法,将超像素块分类合并,检测出阴影区域。通过实验对比Otsu阈值法、传统SVM分类法与本文算法的检测效果,验证了本文算法的有效性,通过结构相似度（SSIM）与峰值信噪比（PSNR）指标对比表明,本文算法较参考算法的检测性能更优。     

基于遗传的改进模糊C均值入侵检测方法

为了克服模糊C均值(FCM)算法对初始化极为敏感且容易陷入局部最优的缺点,将遗传算法和改进的模糊C均值聚类算法相结合,并且以检测率和误检测率作为入侵检测算法性能评价的指标,对FCM、改进的FCM和基于遗传的改进FCM三种聚类算法的入侵检测性能进行仿真分析.结果表明:基于遗传的改进FCM算法(GIFCM),检测率有所提高,而误检测率有所下降.该算法应用于异常入侵检测是可行而有效的.     

一种基于模糊C均值的新分类算法

以两种初始化类中心的选择算法为基础, 对传统聚类算法模糊C均值算法进行改进, 提出一种基于模糊C均值的新分类算法NFCM, 解决了数据分类问题, 并采用UCI上的标准数据集中多个常用数据集进行实验测试, 实验结果表明, 对于UCI上标准数据集的常用数据具有较好的分类结果.     

一种基于模糊C均值的新分类算法

以两种初始化类中心的选择算法为基础, 对传统聚类算法模糊C均值算法进行改进, 提出一种基于模糊C均值的新分类算法NFCM, 解决了数据分类问
题, 并采用UCI上的标准数据集中多个常用数据集进行实验测试, 实验结果表明, 对于UCI上标准数据集的常用数据具有较好的分类结果.     

模糊C均值聚类算法在识别中的应用研究

本文描述了聚类理论及模糊C均值算法,提出模糊C均值算法在识别中的应用算法,并指出该算法的优点和需要改进之处.     

一种基于模糊C均值聚类的模糊规则提取方法

提出了一种基于模糊C均值聚类的模糊规则提取方法,给出了模糊系统的模糊规则库,基于此规则库,构造了一种新颖的分类算法,利用IRIS数据进行了测试,仿真结果表明,分类效果好,由此说明所提出的模糊规则生成方法有效。     

对类差异不敏感的模糊C均值图像分割

提出了具有鲁棒性对类差异不敏感的模糊C均值算法.首先,基于隶属度构建一种类指数形式的抑制势表达式来抑制较大类对目标函数的作用,并将其引入至基于像素包的模糊C均值算法的目标函数中;然后,根据构建的目标函数利用拉格朗日乘子法推导出新的聚类中心和隶属度的表征形式;最后,采用类差异大的无损检测图像进行分割实验,以F参数作为评价...     

基于核模糊C均值的异常检测方法

探索聚类方法在异常检测中的应用,提出了一种基于核的模糊C均值的异常检测方法.该方法使用核的模糊C均值对网络数据进行聚类,并使用基于簇内距离的判断规则对聚类结果进行标定,从而识别出攻击.使用KDD CUP1999数据集进行实验,结果表明本文表现出了高检测率和低误报率的良好性能.     

基于模糊C均值的吸能结构设计

提出一个基于模糊C均值的吸能结构设计方法,并将其应用于车辆结构的耐撞性设计中.研究复杂的几何结构,以满足能量吸收设计的要求,减少设计变量,并采用一定方式对这些变量之间的隐式相互关系进行挖掘.在这种方法中,结构表面由控制点描述,形式为非均匀有理基样条.利用模糊C均值技术对大型控制点数据进行压缩,利用一组线性不相关的正交基...     

基于改进模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和粒子群算法的混合算法.该算法利用PSO算法全局性和鲁棒性的特点,将PSO优化聚类结果作为后续FCM算法的初始值,有效地克服了FCM对初始值敏感,易陷入局部最优和PSO算法局部搜索较弱的问题.算法中使用基于统计直方图的快速FCM算法进行初始化,收敛速度大大提高.实验结果表明该算法具有较高的分割速度及其对噪声的较强的鲁棒性.     

模糊C-均值聚类算法的改进研究

模糊C-均值聚类算法通过迭代的爬山技术来寻找问题的最优解,是一种局部搜索算法,容易受初始值的影响而陷入局部极小值.遗传算法是一种应用广泛的全局优化算法,是一种与求解问题无关的算法模式,能够有效解决模糊C-均值聚类算法对初始化敏感的问题,利用改进后的遗传算法能更好地解决聚类问题.     

基于直方图偏差约束的快速模糊C均值图像分割法

为了解决传统模糊C均值（FCM）聚类分割算法计算耗时的问题，提出了在直方图偏差约束条件下的快速FCM图像分割算法．通过对原始图像重新采样以减小FCM算法数据处理的数量，利用平滑后归一化直方图的距离偏差作为约束条件来计算合适的采样率，以控制重新采样产生的图像失真，得到满足正确分割所需要的阈值，并在采样率计算中采用黄金分割法搜索满足约束条件的采样率．实验结果表明，在保持传统FCM聚类算法分割效果的前提下，所提算法的分割时间分别仅为传统的FCM、二维熵、Otsu等算法的3．0%～11.2%、9.2%～30．2%和15.0%～52．0%.     

偏向自适应区间模糊C均值的遥感地物分类方法

遥感图像类内地物的异质性和类间地物的模糊性,造成地物类别归属的不确定性.模糊集理论能够对分类模糊现象进行有效的刻画,而区间值数据模型能够反映类别数据的不确定性.因此,本文结合区间值数据模型与模糊C均值算法,提出一种偏向自适应区间的模糊C均值算法,通过归一化类内均方差调整类别的整体区间宽度,利用偏向因子对数据进行有选择性的动态区间建模,进而增加类内紧凑性与类间边界可分性.实验结果表明,该方法可以有效地应用于SPOT5遥感数据的地物分类,整体分类精度和Kappa系数较现有流行的模糊分类方法均有较大的提升.     

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。     

采用不确定性度量的粗糙模糊C均值聚类参数获取方法

针对粗糙模糊C均值聚类的阈值、权重选取问题,提出了一种基于不确定性度量的参数自适应获取方法.该方法将阈值选取归结为一个最优划分寻找问题,给出一种基于方差的划分优劣评价方法;利用信息熵来度量样本归属的模糊性,基于该模糊性度量和类簇的粗糙度,提出了一种权重参数自适应计算方法.将所提方法应用于粗糙模糊C均值聚类,并将分别基于所提方法与典型参数选取方法的粗糙模糊C均值聚类算法在人工数据集和真实数据集上进行实验比较.结果表明,基于所提参数确定方法的粗糙模糊C均值聚类能获得更好的聚类有效性和准确性.     

基于模糊增强的图像边缘检测的研究

对图像处理时的边缘检测算法作了分析和研究,介绍了基于模糊增强的图像边缘检测算法,详细研究了单层次模糊增强和多层次模糊增强的算法,并结合实验说明,该智能图像处理方法不仅能够明显的增强图像,而且可以检测到良好的图像边缘.最后,展望了这一新的研究应用领域的发展前景.     

基于模糊聚类的入侵检测系统的研究

详细地分析了WinPcap的结构,WinPcap提供给用户的函数,根据网络协议和端口对数据包进行过滤,将模糊聚类引入到入侵检测系统中来,用KDD99测试数据进行实验,能有效检测出入侵数据.