基于遗传算法的直觉模糊C均值聚类算法

 针对一般直觉模糊C均值聚类算法在寻优过程中易陷入局部最优解的问题,利用遗传算法具备全局寻优的优点,提出了一种基于遗传算法的直觉模糊C均值聚类算法。在该算法中聚类中心为直觉模糊数,这使得遗传过程中个体信息变得复杂,进而增大了约束问题的处理难度。本文对产生的个体采用适时分段的归一化方法,很好地解决了该问题。仿真结果表明该算法所得聚类结果不仅准确而且更为细致。     

基于直觉模糊熵的直觉模糊聚类

Atanassov直觉模糊集合是对Zadeh模糊集合最有影响的一种扩充和发展,将模糊聚类扩展为直觉模糊聚类,具有重要的应用价值。在研究将模糊聚类扩展为直觉模糊聚类时,提出了一种基于熵最大的直觉模糊聚类,并推导了迭代求解的算法。典型实验表明,直觉模糊聚类的性能优于模糊聚类,提高了聚类的正确率。     

基于模糊C-均值聚类的最优量化器设计

分布式估计融合是多传感器系统研究的一项重要内容.在实际应用中,各传感器观测的统计信息往往未知,同时,由于受到通讯带宽的限制,又需要对传感器的观测和估计进行有效的压缩编码.针对观测统计量的联合概率分布未知的多传感器分布式估计融合系统,利用V.Megalooikonomou等提出的直和估计思想,基于模糊C-均值聚类方法设计一种分站最优量化器,显著地改进了基于硬C-均值聚类方法设计量化器的融合效果.计算机模拟表明了此方法的有效性.     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

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.     

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.     

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.     

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.     

一种基于关联矩阵的直觉模糊聚类算法

文章首先定义一种新的直觉模糊集之间的关联系数,利用此关联系数给出关联矩阵;其次,通过平方法把关联矩阵转化为等价关联矩阵,形成聚类原则,得出聚类算法;最后,通过实例对算法进行验证.     

一个新的基于Vague集的近似推理方法

对于模糊概念(用Vague集表示)的隶属函数为连续的情况,将规则前件中模糊概念的论域与后件中模糊概念的论域作一一映射,给出基于Vague集的隶属函数为连续情况下的近似推理方法;对于Vague集的隶属函数为离散的情况,在作上述相同的映射后,再将规则前件中的Vague集和事实中的Vague集的真/假隶属函数分别进行线性插值,使它们都成为连续函数,然后给出基于Vague集的隶属函数为离散情况下的近似推理方法.     

基于混沌自适应引力搜索的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)易陷入局部极小值和对初值敏感的缺陷,提出一种基于混沌自适应引力搜索的模糊C均值聚类算法.首先采用自适应的更新粒子速度和混沌优化粒子最优位置的策略,对引力搜索算法进行改进.其次,用改进的引力搜索算法优化FCM的初始聚类中心.在Iris和Wine数据集上的实验表明,该算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

基于空问定位的聚类算法在电信业客户划分中的应用

随着电信市场竞争的不断加剧,电信企业传统的营销模式正在向主动、精确营销模式转变.因此,客户划分显得至关重要.采用数据挖掘中聚类的方法对电信业的客户进行划分,在比较了现有聚类算法计算复杂度普遍较高的的基础上,采用了一种基于空间定位的方法,将客户数据对象映射到特征空间中,并利用空间立方体的某些特殊顶点定位任意数据,通过计算数据点与空间立方体顶点群的距离差异,完成聚类过程.为了适合电信业客户的特殊性质,改进对客户属性数据的处理过程.通过电信客户的数据实验结果表明,算法的时间复杂度降至 O(N) 级别.     

基于零件编码与聚类算法的零件族构造

大规模定制环境下,一个关键的问题是将众多客户个性化的产品依据相似性归类．针对客户个性化零件,依据其工艺特征的相似性划分零件族,可以减少产品内部加工的多样化,按零件族集中投入生产过程,从而达到增加生产批量、缩短交货期等效果．针对单纯应用GT编码分类法存在的不足,提出一种基于零件的加工属性编码采用聚类算法构造零件族的方法．首先从数学角度研究了基于零件加工工艺特征的编码方法,然后对K-means聚类算法作了一点改进,以期改善聚类结果,阐述了具体的算法步骤,并利用C语言进行了开发．最后通过一个实例,证明该方法切实可行．     

用遗传算法C-均值聚类分割医学彩色图像

图像分割和对象提取是从图像处理到图像分析的关键步骤 .经典的C -均值聚类算法 (CMA)是将图像分割成C类的常用方法 ,但依赖于初始聚类中心的选择 .该算法通常得到的是局部最优解而非全局最优解 .遗传算法是一类全局优化搜索算法 .通过将遗传算法 (GA)与CMA相结合 ,对医学彩色图像直接按红绿蓝 (RGB)三色空间进行聚类 ,用遗传算法搜索全局最优解 ,有效地避免了C -均值聚类算法收敛到局部最优的问题 ,并在此基础上实现了对医学病理彩色图像的分割和对象提取 ,得到了比较满意的效果     

基于企业-顾客双重价值的轿车覆盖件定制程度优选分析

该文从企业和客户双方的角度来研究轿车覆盖件大规模定制中产品族定制程度优选问题.通过量化分析定制产品与个体期望产品的偏差,提出了企业定制程度的量化解决方案及企业最优定制程度确定方法;基于顾客价值分析,提出了客户定制程度的量化解决方案及客户最优定制程度确定方法.在此基础上,制定了产品族定制程度优选策略.最佳定制程度的实施将帮助企业在获取更多利润的同时、最大程度地满足顾客对覆盖件的个性化需求.实现企业价值与顾客价值的双赢.     

一种基于模糊C均值聚类的图像区域分割方法

提出一种基于模糊C均值聚类的彩色图像区域分割方法。该方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征;然后,利用模糊C均值聚类方法进行聚类,利用提出的确定最佳聚类簇数的方法,确定聚类簇数、中心等参数;根据每个像素的隶属函度,将像素初步划归不同的组,利用连接原理对图像区域进一步分割,并提供了图像描述特征。实验结果表明,该方法分割效果很好。     

基于K-means聚类的电信企业客户分群决策

数据挖掘应用开发对电信企业的发展有重要意义,其中客户分群可以准确认识客户总体构成,使得服务和营销更具针对性。以常州市电信企业为例,采用K-means聚类分析技术,利用商业数据挖掘自动化软件KXEN给出了一个电信客户分群的解决方案。实践表明,该方案是有效的。     

基于Vague集的模糊聚类方法研究

引入Vague集(值)的距离概念及Vague集(值)的贴近度概念,并证明了这一新的贴近度的性质.利用此贴近度概念给出了基于Vague集的模糊聚类方法,这一方法对于数据挖掘研究有很好的参考价值.