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.     

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.     

一种改进的模糊聚类算法研究

本文研究了模糊聚类方法,针对模糊C-均值(Fuzzy C-means Method,FCM)算法的不足,提出新的初始化算法方法,将其应于模糊聚类数目的初始化,结合近似K中心对FCM算法进行改进。实验表明,改进后的FCM算法要有效避免了聚类结果的局部最优,有较好的抗噪能力,从而提高模糊聚类性能和可靠性。     

一种基于密度的增量式网格聚类算法

增量算法的要求是聚类特征一般是可加的、非迭代的。文中提出了一种基于密度的网格聚类算法GDCLUS，并在此基础上提出了增量式算法IGDCLUS，它可发现任意形状的聚类，具有高效、易实现的特点，适用于数据库周期性地增量环境下的数据批量更新。     

相交网格下基于最优划分的多密度梯度网格聚类算法

为解决网格聚类算法中对参数过于敏感、无法自动识别不同密度梯度类以及不同梯度类间划分不够精确等问题,提出了相交网格下基于最优划分的多密度梯度网格聚类算法(OPMDG).该算法只需用户输入一个大致的密度阀值范围,网格边长自动计算并可自动调节适应,减少了算法对参数的敏感性;提出了二重划分技术,可挖掘不同密度梯度的类;对于处于不同类上的交界点,引入了电荷间吸引力的概念,能有效解决类间聚类精度不高等问题.实验结果表明该算法是有效的.     

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。     

一种基于密度的模糊自适应聚类算法

针对密度聚类算法对邻域参数设置敏感的问题,提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下,可以自适应地根据样本间距离关系确定邻域半径得到样本密度,并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性,同时提出一种新的模糊聚类有效性指标以判断最佳聚类数,消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验,发现本文算法在对数据进行聚类时,聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高.     

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.     

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.     

一种基于网格的层次聚类算法

传统的凝聚层次聚类算法的时间复杂度为O(n3),由于时间复杂度太高而无法应用到大的数据集.针对这一问题,提出了一种新的基于网格的层次聚类算法,先用基于网格的方法进行一次微聚类,然后再用凝聚的层次聚类算法进行聚类.在进行凝聚的层次聚类时,提出了一种新的簇间距离度量方法,该方法采用簇中权值最高的代表点的最小距离作为簇间的距离.理论分析和实验结果表明,基于网格的层次聚类算法比传统的凝聚层次算法具有更高的效率和正确性.     

基于多阶段的模糊C-均值算法的模糊聚类分析研究

对模糊聚类分析算法进行研究,在模糊Ｃ－ 均值算法（ＦＣＭ）的基础上加以改进,将聚类过程分为二个阶段,形成多阶段模糊Ｃ－ 均值算法（ＭＦＣＭ）,使其对Ｉｒｉｓ数据聚类．研究表明：多阶段的模糊Ｃ－ 均值算法比模糊Ｃ－ 均值算法性能优越．     

模糊超球质心聚类神经网络

基于人的大脑进行聚类分析所遵循的基本原则,提出了一种模糊超球质心聚类神经网络学习算法,该方法无需用户事先给定聚类个数K,通过神经网络自组织学习,可以正确识别聚类个数与聚类中心。实验结果表明,该算法是一种全新的聚类方法,具有学习时间短,稳定性强且不依赖于聚类样本的输入顺序等优点。     

模糊C-均值(FCM)聚类算法的改进

针对目前模糊C-均值聚类算法不适用于有噪声和样本不均衡等问题,借助改进算法AFCM和WFCM的思想,提出另一种新的聚类算法。它是AFCM和WAFCM结合的一种算法,但有着更好的健壮性和聚类效果。     

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。     

模糊c均值聚类在交通流高峰期确定中的应用

交通流高峰期是交通规划、交通控制中一个非常重要的概念．目前高峰期一般是凭经验人为确定的．文章利用模糊c均值聚类方法对交通流高峰期的确定问题进行研究．首先对模糊c均值聚类算法进行简要介绍，然后利用该算法对某城间高速公路交通流数据进行聚类分析，分别确定了该高速公路正、反向交通流的高峰期．结果表明，该算法聚类结果与经验交通流高峰期基本一致．     

一种基于核的模糊聚类算法

结合核技术与改进的模糊c均值算法聚类准则提出一 种基于核的模糊聚类算法. 通过引入核函数, 样本点被非线性变换映射到高维特征空间进行聚类, 提高了聚类性能. 同时, 算法改进了模糊c-均值聚类模型中的概率型约束条件, 使其对噪声和野值点具有较好的鲁棒性. 在真实数据和人造数据上与常用聚类算法进行了对比实验, 结果表明该算法具有较低的时间、 空间复杂度与较好的聚类性能.     

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...     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.