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%.     

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.     

基于无监督聚类算法的入侵检测

针对应用聚类方法检测入侵中参数人为指定的问题,提出了一种新的基于无监督的聚类算法.该方法不需要人为设置参数并且不受数据输入顺序的影响,聚类的形状是任意的,能够较真实地反映数据分布的具体性状.算法通过比较无类标训练集样本间的距离,根据距离最近的样本首先聚合成类的特性,在每一步聚类结束时,再次比较类间距离以及计算类内数据占总数据的比率来确定异常数据类.实验证明该算法处理未知入侵检测问题的检测率为89.5%,误报率为0.4%.     

基于Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中,KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数,对数据噪声敏感会降低其性能,且类边缘数据点相互影响会导致分类错误。针对这些问题,该文提出一种改进的C-KFCM模糊算法,先用Canopy粗聚类算法给出数据集大致的分类数,接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数,在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值,使数据中的噪声对算法的影响减小或消失。实验结果表明,改进的C-KFCM算法能自动确定分类数,并且与原KFCM算法相比,C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。     

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

基于遗传模糊聚类算法的入侵检测研究

针对常用聚娄算法在网络入侵检测中结果不理想的问题,在研究典型模糊C均值聚类算法（FCM）的基础上,提出了一种结合CA与FCM的网络入侵检测算法GFCM,以克服FCM聚类时对初始值敏感、受噪声影响大、容易陷入局部最优等问题,通过在KDD CUP99数据集上对比实验,证明该算法的检测度高,对网络异常攻击行为检测效果较好。     

基于高斯隶属度的包容性指标模糊聚类算法

基于传统的模糊聚类算法(C-means、FCM),在高斯隶属度函数的基础上给出了包含性指标的定义,提出了基于高斯隶属度的包容性指标模糊聚类算法(fuzzy inclusion-based clustering,FIC)。该方法通过获取高斯隶属度函数的包含性指标,为每个分类确定一个支持距离的半定性矩阵,来保证每个分类到所有数据类的距离和与所有数据类包含度的总和一致。通过UCI中Wine数据集进行了仿真实验,实验结果表明与FCM算法相比较,FIC算法具有更好的有效性和可行性。     

基于阈值优化的图像模糊边缘检测快速算法

全面分析了Pal.King模糊边缘检测算法的缺陷,提出了一种新的快速模糊边缘检测算法。该算法简化了Pal.King复杂的变换和逆变换,并采用了新的增强算子,针对Pal.King算法中对隶属度阈值的设置存在的不足,提出了利用粒子群算法确定最佳隶属度阈值的方法。仿真表明,该算法检测的边缘细、连贯,适用面广,很有实用价值。     

一种基于距离的聚类和孤立点检测算法

提出了一种基于距离的聚类和孤立点检测算法(DBCOD),根据距离阈值对数据点进行聚类,在聚类过程中记录每个数据点的密度,并根据密度阈值确定数据点是否为孤立点.实验结果表明,该算法不仅能够对数据集进行正确的聚类,可以发现任意形状的聚类,算法执行效率优于DBSCAN,具有对噪音数据、数据输入顺序不敏感等优点,同时还能有效地进行孤立点检测.     

一种新的模糊稀疏表示人脸识别算法

稀疏表示人脸识别算法的主要思想是:一个未知的测试图像可以近似表示为所有与其隶属同类的训练样本的一个线性组合.然而,人脸之间存在着极大的相似性,同时易受到外部环境的影响,人脸分类的本身存在着一定的不确定性.针对这种不确定性,结合模糊集合理论,提出了一种新的模糊稀疏表示人脸识别算法.首先,引入一个非线性函数描述人脸的相似性程度.然后,基于该相似性度量以及最近邻分类器思想,定义一个自适应的模糊隶属度函数来分配人脸对类的隶属程度.而这一过程恰使得这些隶属度是稀疏化的.最后,将稀疏化的模糊隶属度作为训练样本表示测试样本的权值系数,进而重构测试图像.采用MATLAB在ORL和Yale人脸数据库上进行仿真实验,验证了该算法的有效性和稳定性.     

一种相对隶属度新概念下的模糊数排序方法

为了解决防空作战辅助决策中模糊数隶属函数在用于模糊数比较时产生的问题,定义了相对隶属度的概念,并且在此基础上定义了模糊数的期望值以及相对隶属度偏差。提出了一种新的基于相对隶属度的模糊数排序方法,算例表明该方法有效可行。     

一种多分类的微博垃圾用户检测方法

针对微博多类垃圾用户的检测问题,设计了一种基于模糊多类支持向量机的垃圾用户检测方法。首先,采用一对多SVM(support vector machines)的构造思想来构造多分类器,并针对每类用户的分类器重新选择训练集;然后,利用构造好的训练集来训练多分类器,经过反复调整参数,得到5个用户分类器;最后,针对多分类器的不可分样本,采用模糊聚类来进行模糊处理,即在垂直于SVM的最优分类面上定义一个改进的隶属度函数,选择最大隶属度对样本进行再分类。实验结果表明,该方法在保证垃圾用户检测效果的前提下,可以解决多分类中存在的混分和漏分问题。     

确定目标权重和定性目标相对优属度一种新方法

基于二元比较的思想，提出了相邻目标相对重要性模糊标度值的概念；在此基础上进一步提出了求解目标权重和定性目标相对优属度的递推算法。算例表明，该方法是有效的，使决策过程更合理、简捷和方便。     

协方差测距算法在多维聚类分析中的优化研究

为了在多维聚类分析中运用有效距离度量方法表征数据对象的邻近度,提出一种协方差测距（covariance distance measure analysis,CDM）算法,首先,采用模糊C均值(fuzzy c-means,FCM)方法对数据对象赋予权值,得到每个样本点相对类别特征的隶属度,再依据隶属度计算每个样本的差异度;其次,为了使类别分离最大化,用样本点同关联类别的协方差距离度量代替模糊聚类中欧式距离度量作为优化问题的第一个标准,使相似数据对象更为接近;最后,用样本点间的协方差距离度量作为第二个优化标准,使相异数据相互隔开,交替固定变量迭代计算最优解,使聚类指标和距离度量学习参数同时得到优化,获得更好的聚类结果。在不同数据集上的实验结果表明,与FCM-Sig和UNCA算法相比,CDM算法在聚类准确性和算法收敛性方面均有更好表现。     

结合软约束的演化数据流模糊聚类算法

多源局部放电检测中,不同类型的局放信号同时存在且不断变化使得信号的分离更具挑战,而这种情况同样存在于许多数据流的聚类分析场景中。为了能够适应类簇内的不均匀密度和类簇间的重叠边界问题,同时对数据流的漂移和演化进行及时跟踪,提出了一种结合软约束的实时数据流模糊聚类算法。算法引入2种模糊性软约束来描述微簇距离和密度上的不确定度,通过阈值划分出核心微簇、边界微簇和离群微簇;在类簇边缘使用模糊隶属度,给予微簇分属不同类簇的可能性,保证类簇的完整性并提高聚类效果;使用两阶段的流程结构和2种时间窗口模型,赋予算法具有对可变化数据流的适应能力和更低的时间空间占用率。在多种数据集上的实验表明,该算法相比同类型算法在聚类效果上提升了1%~3%,且平均运行时间缩短5%~20%,在实际硬件平台的测试中也验证了算法的聚类分离性能。     

网格平台下模糊积分分类挖掘算法的实现

为了拓展算法的应用领域,降低算法的复杂性,提高分类器的性能,提出了网格平台下的模糊积分分类数据挖掘,依据模糊积分的概念,应用隶属度矩阵来确定模糊积分密度,再对分类器集成,对网格中采集的原始数据进行处理,实验证明用该集成方法所构成的分类系统能明显提高分类器的性能.     

河流健康复杂系统评价的IFMMAAM

在模糊物元分析原理的基础上,对隶属度函数进行分析,建立了基于改进隶属度函数的模糊物元多属性评价模型(IFMMAAM).给出了不同标准评价等级的改进隶属度函数的构造方法,把河流健康复杂系统评价的等级作为物元的事物,以各项评价指标及其相应的模糊量值构造复合模糊物元,通过计算与理想模糊物元之间的加权海明贴近度构造综合评价等级.澜沧江应用结果表明,运用IFMMAAM评价河流复杂系统健康是可行的,结论是合理的,IFMMAAM不仅能较好地处理多等级评价各等级之间的过渡问题,而且对于各种极端值问题也适用.     

基于多阶段的模糊C-均值算法的模糊聚类分析研究

对模糊聚类分析算法进行研究,在模糊Ｃ－ 均值算法（ＦＣＭ）的基础上加以改进,将聚类过程分为二个阶段,形成多阶段模糊Ｃ－ 均值算法（ＭＦＣＭ）,使其对Ｉｒｉｓ数据聚类．研究表明：多阶段的模糊Ｃ－ 均值算法比模糊Ｃ－ 均值算法性能优越．     

岩体模糊分类中隶属函数的等效性

总结出了岩体工程模糊评价中常用的连续隶属函数主要类型有正态型、岭型、三角模糊数和梯形,并给出了相应的基本解析表达式.以岩体分类中的单轴抗压强度为例,研究了具体指标隶属函数建立方法.采用不同隶属函数计算了某岩石试样的单轴抗压强度的隶属度,发现不同隶属函数得出的隶属度有差异.选取影响岩体稳定的五个主要指标,利用某矿深部工程地质资料,计算了其岩体物理力学参数在不同隶属函数下的隶属度,并根据离散型隶属度取值表确定了结构面的隶属度.将不同隶属函数下的各类指标的隶属度进行不同的组合,形成不同的隶属度矩阵,对该围岩进行模糊评判分类,得出最后的分类结果一致.这一研究结果证明了各类隶属函数的等效性、在岩体分类应用中的适应性和正确性,为岩体模糊分类隶属函数的选择提供了依据和便利.