PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于免疫粒子群优化的模糊C均值聚类算法

把免疫系统的免疫信息处理机制引入到粒子群优化（PSO）算法中，并与模糊C均值（FCM）算法相结合提出一种新的模糊聚类算法．新算法用免疫粒子群优化算法代替FCM算法的基于梯度下降的迭代过程，使算法具有较强的全局搜索能力，很大程度上避免了FCM算法易陷入局部极小的缺陷，同时也降低了FCM算法对初始值的敏感度．采用对当基思想初始化种群，获得更优的初始候选解，提高算法聚类过程中的收敛速度．以UCI机器学习数据库中的两组数据集为研究对象，实验结果表明，该算法优于基于PSO的模糊C均值聚类算法和FCM算法．     

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.     

基于核函数的模糊C均值聚类算法

通过引入Mercer核,把输入空间的样本映射到高维特征空间,实现了对样本在特征空间的优化,使各类样本之间的差别增大,从而较好地实现了对差别微弱的样本类之间的聚类．仿真实验的结果证实了该方法的可行性和有效性．     

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化（PSO）算法全局寻优、 快速收敛的特点, 结合模糊C 均值（FCM）算法提出一种新的模糊聚类算法. 新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程, 使算法具有很强的全局搜索能力, 很大程度上避免了FCM算法易陷入局部极小的缺陷; 同时也降低了FCM算法对初始值的敏感度. 实验结果表明, 与FCM相比本文算法聚类更为准确, 效率更高.     

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。     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

基于蚁群算法的模糊C均值聚类

基于蚁t群算法的FCM聚类算法,利用蚁群算法能够得到局部极值的能力,对初始化非常敏感的初始值聚类教和模糊中心点处理.并对基本蚁群算法模型稍加修改,将其应用于模糊聚粪问题.     

一种新的模糊C均值聚类算法

传统的模糊C均值聚类算法及其变型在聚类过程中都假设所有的属性对聚类贡献相同,所以很难发现隐藏在部分属性中的类结构,也难以识别出重要属性.在实际应用中,噪声属性较为常见,并且会影响正常的聚类过程.鉴于以上原因,提出了一种新的基于属性加权的模糊C均值聚类算法,通过对人工数据和实际数据的聚类测试结果,证实了该算法的有效性.     

基于PSO的模糊C均值聚类算法

在分析模糊C均值聚类算法存在不足的基础上,提出了一种新的聚类算法:基于粒子群的模糊C均值聚类算法.该算法利用粒子群强大的全局寻优能力,不仅克服了传统的模糊C均值聚类算法对初始值敏感、噪声数据敏感、易陷人局部最优的问题,而且有较快的收敛速度.试验证明,这种算法是一种很有潜力的模糊聚类算法.     

模糊C均值聚类算法的改进研究

模糊C均值聚类算法（FCM）是一种比较有代表性的模糊聚类算法,主要是通过迭代更新聚类中心和隶属度矩阵,使目标函数值达到最小.FCM算法还有很多缺陷和不足,其中最主要的就是选取不同的初始中心,会得到不同的聚类结果,影响到聚类的稳定性和准确率.本文对要聚类的数据集采用数据分区技术进行预处理,根据物质质心的定义及质心运动原理...     

基于免疫粒子群的K均值聚类算法

粒子群算法是一类高效求解连续函数优化的随机搜索算法,在K均值聚类算法中得到广泛应用,但是在群体进化后期容易陷入局部极值,针对算法缺点,提出了一个新的聚类算法--基于免疫过程的粒子群K均值聚类算法,并将此算法与K均值聚类算法和粒子群K均值聚类算法进行比较.理论分析和数据实验证明,该算法有较好的全局收敛性,不仅能有效的克服传统的K均值聚类陷入局部极小值的缺点,而且全局收敛能力优于基于粒子群的K均值聚类算法.     

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.     

基于粒子群优化的模糊核聚类方法

针对模糊核聚类对初始值敏感、易陷入局部最优的缺点,提出了基于粒子群优化的模糊核聚类方法.该方法根据聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在迭代优化过程中设计了梯度下降法加快算法的收敛速度,并引入变异机制增强粒子群的多样性.仿真实验及在水轮机转轮叶片裂纹源定位中的应用验证了算法的可行性和有效性.     

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.     

二型模糊C均值聚类算法及其应用

提出一种简化的、带有确认程度的隶属度的二型模糊集,利用其设计二型FCM聚类算法,推导出其迭代求解公式。研究发现,二型FCM算法的目标函数和迭代求解公式是原有FCM算法的推广,数学表达简洁。在人工数据集和黄瓜数据集上的应用表明,该算法可以通过确认程度的影响,得到更加精确的FCM算法聚类中心的位置,可有效甄别出异常点,说明算法的有效性。     

基于视觉感知的模糊C均值聚类算法

针对传统模糊C均值聚类算法对结构复杂图像分割效果不理想的问题,提出一种基于视觉感知的模糊C均值聚类算法.首先,在分析视皮层神经元感受野性质的基础上,建立视神经元细胞响应函数来计算图像的结构特征.其次,定义一种斜坡函数从仿生学的角度来模拟人眼对相对亮度变化的感知,用来计算图像中像素点与聚类中心点之间的差异.所提模型充分考虑了邻域刺激对中心神经元影响的方向性、位置相对性和周期性,比较精确地描述了图像的结构信息,有效地抑制了噪声和复杂纹理的干扰.实验结果表明,本文算法克服了传统模糊C均值聚类算法的缺点,实现了具有复杂背景图像的精确分割.     

改进核模糊C均值聚类算法在服装图像分割中的研究

图像分割是基于内容的服装图像检索系统的重要研究内容之一,传统的模糊C均值聚类算法在用于图像分割时,存在对样本分布和输入参数有限制、收敛于局部最优解、对噪声敏感等缺点.本文加入高斯核函数优化空间样本数据计算,并利用局部空间信息提高图像分辨能力,有效改善了模糊聚类算法.通过实验发现,改进的算法提高了图像类与类之间的分离性,分割结果更准确,对样本间的微小差别处理较好,具有更加可靠的性能.     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。