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.     

模糊聚类算法的优化设计

文章阐述了模糊C-均值聚类算法(FCM)原理及存在的缺点,通过将粒子群优化算法思想应用到模糊聚类算法中,对模糊聚类算法进行了优化设计.实验证明,改进的算法具有较好的全局最优解,克服了传统模糊C聚类算法的不足,聚类效果优于单一使用FCM算法.     

一种改进的K均值聚类算法

K均值算法是聚类方法中常用的一种划分方法,有很多优点,但也存在不足之处,它对球状、凸形分布的数据具有很好的聚类效果,但对样本的输入顺序敏感,可能产生局部最优解,而且受孤立点影响比较大。本文针对这些不足之处,主要从数据预处理。初始聚类中心的选择和迭代过程聚类种子计算三方面进行改进,并做了改进前后算法的对比实验。结果表明,改进后的算法比原k均值算法具有更高的准确性,受孤立点的影响也大大降低。     

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.     

改进的基于模糊C-均值聚类的图像分割算法

目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.     

遗传算法与改进的FCM聚类算法的结合

模糊C-均值聚类(FCM)对初始值很敏感,易于陷入局部极小点而不能搜索到全局的聚类中心,而遗传算法是一种全局搜索方法,本文通过改变隶属度约束条件由FCM算法得到一种新的模糊聚类算法PCM,并将其与遗传算法相结合。实验结果表明,这种方法明显优于传统FCM算法。     

一种模糊聚类算法归类的研究

模糊C均值(FCM)算法是模式识别领域应用最广的聚类算法之一.但是FCM算法存在很多缺点,其中以对噪声数据敏感,鲁棒性较差最为突出.针对这种情况,Lee于1994年提出了一种所谓的改进模糊C均值算法＿Lee's算法.但是本文证明了Lee's算法并不是一种真正意义上的模糊C均值改进算法,而是Krishnapuram和Keller于1993年所提出的PCM算法的一种特殊情况.数值实验进一步证明了我们的结论.这对合理地使用模糊聚类算法提供了一定的理论依据.     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。     

基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

一种改进的模糊聚类算法

针对现有聚类算法在参数输入、停机条件等方面存在诸多人为控制因素的问题,采用信息熵理论使聚类标准客观化,同时结合模糊聚类的思想,以隶属度作为信息熵计算的基础,并采用谱系的方法确定聚类数目,从而改进模糊聚类算法.研究表明,提出的基于信息熵的算法能够比较客观、科学地反映实际聚类情况.     

基于DCFCM模糊聚类的入侵检测方法研究

作为一种主动的信息安全保障措施,入侵检测技术有效地弥补了传统安全保护机制所不能解决的问题.先进的检测算法是入侵检测研究的关键技术.首先提出新的相似度函数Dsim(),有效地解决了高维空间聚类选维和降维问题,实现了高效的聚类;接着将Dsim()与近似K-medians算法相结合,提出了新的模糊聚类算法----DCFCM,并将其用于入侵检测.解决了由尖锐边界、孤立点所带来的误报警和漏报警问题,实现了对异常行为的检测.仿真实验结果表明,该系统对网络正常数据和异常数据聚类,进行动态数据分析,实现异常检测的思想是有效的.在网络入侵数据检测中,DCFCM算法相对于传统的FCM算法有较高的检测率和较低的误警率.     

改进的FCM半监督聚类算法

通过将类间分离度函数引入到模糊C-均值聚类算法中,结合半监督的思想,建立基于信息熵的半监督模糊C-均值聚类模型,并对该模型的求解过程进行推导,提出一种新的算法.为了验证算法的有效性,将该算法在UCI数据集上进行实验,实验结果表明,该算法比仅引入信息熵的模糊C-均值聚类方法聚类性能更好.     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

一种改进的K均值聚类算法

针对传统K均值算法中采取的欧氏距离计算相似性的不足,提出一种新的相似性计算方法,并将这种方法与欧氏距离的度量方法进行了比较。在UC I基准数据集上的实验表明,该方法有更稳定的聚类结果,是一种比较有效的聚类度量方法。     

直接模糊聚类法

给出了一个利用模糊相似矩阵直接进行聚类的方法。     

基于自适应差异演化的模糊聚类算法

在聚类分析中,模糊C-均值聚类(FCM)是一种广泛应用的算法,但由于它是基于梯度下降的,本质上是一种局部搜索算法,容易陷入局部极小值,且对初始值很敏感.本文提出一种基于自适应差异演化的模糊聚类算法(FCBADE),该算法利用差异演化良好的全局搜索能力,在全局范围内寻找最优解的近似解,然后由FCM算法在该近似解的周围进行局部搜索,最终得到全局最优解.同时为减少手工设置控制参数对DE算法的影响,采用自适应方式调整DE算法的控制参数.实验结果表明,该算法不仅有效克服了FCM算法易陷入局部极小值的缺点,而且明显地避免了对初始化选值敏感性的问题,也有较快的收敛速度.     

一种基于模糊熵划分的边缘检测算法

基于信息论中最大熵原理,提出了一种基于梯度图像的模糊划分边缘检测算法。该算法首先根据图像边缘的特点和类型构造出新的梯度算子,再根据梯度图像自然划分以及2-划分的关系得到模糊2-划分条件熵,基于最大模糊条件熵原则实现梯度图像划分中最优阈值的自动选取,实现图像的边缘检测。仿真实验结果比较表明,该算法用于边缘检测能获得较好的效果。     

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.