Parzen窗确定系数的协同模糊C均值算法

协同模糊C均值(collaboration fuzzy C-means,CFC)算法的协同系数通常根据经验人工设定,且在协同过程中保持不变,不能充分利用数据子集之间的协同关系,算法精度有限.提出Parzen窗确定系数的协同模糊C均值(βp-CFC)算法.用模糊C均值(fuzzy C-means,FCM)算法求出各数据子集的隶属度和聚类中心,再用Parzen窗求出各子集在聚类中心处的密度,根据子集间密度的相关性设定变化的协同系数,利用变化的协同系数进行协同聚类.以Matlab为平台,对βp-CFC算法进行了实验,算法聚类准确率可达到80.34%,比模糊C均值算法、固定系数的CFC算法的准确率分别高出11.80%和3.94%.实验证明,βp-CFC算法较为合理,聚类性能较好.     

基于Parzen窗函数的SAR图像人造目标检测算法

提出了一种基于Parzen窗函数的SAR图像人造目标检测算法.该方法首先以基于数据驱动的Parzen窗核函数逼近实际SAR图像的直方图,完成SAR图像的精确建模;在此基础上,理论推导了全局CFAR检测算法的阈值,设计了阈值求解的数值算法.典型目标的实际图像的实验结果证明,该方法是一种速度较快、精度较高的人造目标检测算法.     

概率密度函数的并行软方向判决盲均衡算法

基于Parzen窗方法概率密度函数盲均衡算法比恒模算法具有更好的性能,但一样会出现随机相位旋转现象.利用最大后验概率准则中的相位信息,讨论一种基于Parzen窗方法概率密度函数的并行软方向判决盲均衡算法.高阶QAM调制信号仿真结果表明,算法克服了输出信号出现的随机相位旋转现象,并且算法的收敛速度较PPDF算法快,收敛后均衡器输出的稳态码间干扰也较小.     

Parzen窗估计法在图像复原中的应用探索

通过对降质图像离散退化模型与Parzen窗估计法基本公式的对比和对几种退化模型的点扩展函数特点的分析,揭示了点扩展函数与Parzen窗函数之间的对应关系.提出用Parzen窗函数对点扩展函数进行估计的思路和方法,从概率统计的角度对盲图像复原的方法进行了探索.     

基于遗传算法的Parzen窗离散化方法

为解决连续属性无法直接用于粗糙集理论中这一问题,将Parzen窗方法和遗传算法相结合,提出了一种全新的属性离散化方法。该方法首先选取较多个断点将连续属性分为较多类,然后结合粗糙集理论的一致性要求和Parzen窗所反映的离散结果稳定性指标定义遗传算法的适值函数。仿真结果表明:使用该方法得到的离散结果能得到较少个断点,并且保持数据原有的分类能力。     

基于动态加权模糊核聚类算法的医学图像分割新方法

采用动态加权的模糊核聚类算法对CT医学图像进行分割.该算法对模糊核聚类算法中的特征向量进行动态加权,以自动削弱噪声特征向量在聚类中的作用,这样可以减小噪声对图像分割的干扰.实验结果表明,采用该种新算法对CT图像分割后,可以获得更清晰的分割图像.     

一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.     

基于Parzen窗的投影聚类方法

研究表明,高维数据的聚类都隐含在低维的子空间内,而这些子空间就是把原始数据投影到某些维度上的交集,于是相应的聚类算法就变成如何寻找合适的子空间内容。在此提出了一种新的划分子空间方法——基于Parzen窗子空间划分方法,并在这基础上提出了新的投影聚类方法PCPW。通过与最新的EPCH算法的实验结果对比表明,两者聚类效果相当,但PCPW算法更简单,易于实现。     

基于质心的样本加权聚类算法

针对传统的以k-means为代表的分割聚类算法认为所有的聚类样本对聚类中心的影响都是相同的这一观点,提出基于样本加权的聚类算法,并采用实际数据集验证算法的有效性.实验表明,该算法比传统的k-means聚类算法具有更高的精确度.     

基于gλ模糊测度的加权模糊聚类方法及其应用

文章从传统的目标函数聚类方法的思想出发,在基于gλ模糊测度的聚类方法基础上,提出基于gλ模糊测度的加权模糊聚类方法,并给出基于统计特性的权值计算方法;分别利用图像的一维灰度特征与一维灰度直方图加权和二维灰度特征与二维灰度直方图加权,将2种加权的模糊聚类方法应用于图像分割;分别给出带有强高斯白噪声灰度图像和强黑白像素点噪声灰度图像的加权前后分割结果比较。     

基于属性加权的不完全数模糊 c 均值聚类算法

针对现有的不完全数模糊聚类算法未考虑样本各维属性对聚类贡献不同的问题,提出了基于属性加权的不完全数模糊c均值聚类算法.利用ReliefF算法评价各维属性的重要程度,通过加权欧式距离将属性权重结合入聚类,并能实现在聚类迭代过程中的缺失属性、隶属度及聚类中心的一体化求解.实验结果表明,该算法强调了重要属性在不完全数模糊聚类中的作用,能够得到更为准确的聚类结果.     

一种用于移动Ad hoc网络的自适应分布式权值分簇算法

利用分簇算法得到的分层结构可以提高移动Ad hoc网络性能.为有效解决Ad hoc网络簇结构的稳定性问题,在现有分簇算法基础上提出一种自适应分布式权值分簇算法.通过计算每个节点的移动性、平均邻居距离、节点度以及能量消耗4个因素的加权和而实现对随机分布节点自适应动态分簇,同时利用可用度优化簇内节点数.仿真结果表明,新分簇算法相对于已有的分簇算法具有更好的稳定性和负载均衡的优点.     

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法.算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值.实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44％,可为相关应用提供更精确的定位服务.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种高效的阴阳k-Means聚类算法

针对传统阴阳k-means算法未利用数据结构导致计算效率较低的问题, 提出一种高效阴阳k-means聚类算法. 该算法根据数据相似性将原始数据进行逐层分解, 并建立满m叉树结构存储各层数据, 以树结构各叶子节点中存储的数据信息建立加权数据, 运行加权阴阳k-means算法得到收敛中心. 在原始数据中以加权数据收敛中心为初始化条件运行传统阴阳k-means算法进一步优化目标函数值. 在5组UCI数据集上与k-means、传统阴阳k-means及另外两种加速算法进行对比实验, 实验结果表明, 该算法具有较高的加速比, 且求解精度与传统阴阳k-means聚类基本相同.     

加权Web访问模式聚类算法

针对 Web应用挖掘中聚类算法中的问题 ,提出加权 Web访问模式聚类算法 .该算法利用服务器日志库中保存的网页访问次数信息 ,提高了聚类的客观性和准确性 .     

基于区间数贴近度的最大树聚类算法研究

针对特征指标和权重指标均为区间数的多指标信息聚类问题,在传统的数值信息最大树聚类法的基础上,给出了基于区间数的多指标信息聚类问题的一种具体算法.在此过程中,加权相似矩阵的提出克服了属性权重对聚类产生的双重影响;并通过引入相对贴近度的概念,对相似区间进行排序.最后,通过实例验证了此算法的有效性.     

多元时间序列聚类算法分析

为解决高多元时间序列聚类算法的问题,采用了一种基于主元分析方法的多元时间序列聚类分析方法,利用MTS序列的前z个主元与每个簇的代表元素之间的Eros距离,将原有的复杂数据降维.在此基础上通过改进K-means算法对选取的多元时间序列的主元进行聚类分析,最后得到K个MTS聚类.理论分析和实验结果表明该算法能有效解决聚类问题.