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.     

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.     

基于蚁群算法的模糊C-均值聚类算法

提出了一种基于蚁群算法（ACG）的模糊动态C-均值聚类算法的声纹识别，该算法首先利用蚁群算法的较强处理局部极值的能力，克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点，动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上，从语音信号中提取待识别的特征矢量集，对待识别声纹信号进行识别.实验证明，该算法解决了算法对初始值敏感，易陷入局部最优的问题，且计算简单，识别率较高，具有较好的鲁棒性.     

基于蚁群算法的模糊C-均值聚类算法在声纹识别中的应用

提出了一种基于蚁群算法(ACG)的模糊动态C-均值聚类算法的声纹识别,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点,动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上,从语音信号中提取待识别的特征矢量集,对待识别声纹信号进行识别.实验证明,该算法解决了算法对初始值敏感,易陷入局部最优的问题,且计算简单,识别率较高,具有较好的鲁棒性.     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

基于BA的模糊聚类算法研究

模糊C均值聚类具有较广泛的应用,但该聚类算法本身存在容易陷入局部最优、对初始值敏感的缺点．本文提出基于蝙蝠算法与模糊c均值算法相结合的BAFCM聚类算法,并通过数值实验对比,说明BAFCM聚类效果优于FCM、PFA．     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。     

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.     

一种改进的Fuzzy c—means聚类算法

该文提出了一种改进的ｆｕｚｚｙ ｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙ ｃ－ｍｅａｎｓ的速度，证明了ＭＣＭ与ＦＭＣ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＭＣ空间复杂性的关系。最后数值实验证实了结论。     

FPCM算法在彩色图像分割中的方法研究

在改进模糊c均值聚类（MFCM）算法基础上提出模糊可能性c均值聚类（FPCM）算法的图像分割方法,并将FPCM算法应用在彩色图像分割过程中．FPCM算法是FCM聚类算法和MFCM算法的扩羼衍生．MFCM算法是通过调整FCM算法的测量距离来减少标签像素受到其他图像像素的影响和在切分中抑制噪声效果来进行约束,从而使得成员变量没有最大约束值．FPCM算法是在MFCM算法基础上进行模糊化,加入了可能性和隶属度两个度量标准．通过彩色图像实验充分表明了FPCM算法在图像分割中的实际效果．     

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．     

基于生物地理学模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和生物地理学优化算法的混合聚类算法(BBO-FCM).该算法结合了生物地理学优化算法的全局搜索和FCM算法快速局部搜索的特点,利用生物地理中的迁移算子来进行各解之间的信息共享,从而有效地克服了FCM对初始值敏感、易陷入局部最优等问题.将BBO-FCM算法用于图像分割,实验表明,新算法的聚类效果评价指数更好,聚类效果明显优于原始的FCM算法.     

基于改进的Fuzzy C-means聚类算法的纹理分割

提出了一种基于改进的Fuzzy c-means聚类算法的纹理分割方法．改进的Fuzzy c-mean聚类算法(MFCM)的目标函数不仅考虑了样本类内紧致性,而且还考虑了样本类间分离性,加快了MFCM算法的速度;纹理分割实验验证了MFCM算法的有效性。     

基于变异算子改进蚁群算法学习的模糊认知图

传统的模糊认知图学习算法需要依靠专家知识来建立模糊认知图模型。在专家知识受到限制的一些领域,完全通过数据来学习模糊认知图的算法是有必要的。提出的基于蚁群优化的学习算法,可以有效做到通过历史数据学习模糊认知图;为避免蚁群算法陷入局部最优的问题;以及其学习所得模型不够精确的问题,引入变异算子以改进蚁群算法,来提高算法性能,避免局部最优问题,得到更准确的模型。最后,算法性能在人工数据上进行了测试。实验表明,算法性能良好,可以得到准确的模糊认知图模型。     

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.     

基于遗传算法的模糊c-均值聚类算法

基于误差平方和准则的模糊c-均值算法(FCM)是一种典型的动态聚类算法,其求解结果通常是局部最优解;当模糊集合之间的并、交、包含运算采用传统定义时,在模糊c-均值聚类结果中还会存在无意义的聚类集.研究表明采用遗传算法进行模糊c-均值聚类(Fuzzy c-means algorithm over genetic algorithm,GFCM)时,不仅能够消除无意义的聚类集,而且还在一定程度上避免模糊c-均值算法收敛到局部最优解,为此设计编码、选择、配对交叉、变异等步骤.测试数据实验表明采用GFCM算法的结果优于FCM算法.