基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法(FCM)的缺陷,提出了一种基于改进遗传算法的模糊聚类方法.利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷.仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度.     

模糊C均值聚类算法及应用

在对模糊C均值聚类算法原理进行简要分析的基础上,进行了实验仿真。首先利用聚类树形图估计分类数,再利用模糊C均值聚类算法进行分类,结果表明算法具有较好的分类效果。     

改进遗传算法在模糊文本聚类中的应用研究

在分析了传统模糊聚类FCM算法和基于遗传聚类算法优点和不足的基础上,提出了一种基于免疫单亲遗传和模糊C均值的改进遗传聚类算法,克服了FCM的局部最优问题以及标准遗传算法聚类时的搜索速度和聚类精度的矛盾,并将该算法用于文本聚类,实验表明该算法是有效的。     

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。     

基于权重系数模糊C均值聚类

传统基于模糊C均值聚类图像分割算法易受复杂纹理和噪声干扰,无法准确分割图像。针对这一现象,提出一种基于权重系数模糊C均值聚类算法,并将其应用于图像分割中。算法定义权重系数矩阵,将每个像点的邻域信息引入到像点间相似性度量中,计算每个像点与聚类中心点的邻域相似程度,根据权重系数矩阵确定邻域中每个像点在邻域特征计算中所占权重,增强了算法对噪点和杂波的鲁棒性。实验结果表明,与传统模糊C均值聚类算法相比,该文算法获得更加精确的图像分割结果。     

基于模糊C均值聚类和减法聚类结合的图像分割

针对模糊C均值聚类算法(FCM)聚类过程中,初始聚类中心通过随机产生、类别数的确定通过预定义的方式实现的问题,利用减法聚类(SCM)以及聚类有效性函数,实现对FCM聚类过程的聚类中心和聚类类别数自动进行设定,实现了数据的自适应聚类,并将其应用到了CT图像的自动分割中.实验结果表明,该方法是有效的.     

模糊C-均值聚类算法的研究与实现

模糊C-均值聚类算法（F（M）是很早的目标函数聚类算法,也是目标函数聚类算法中研究的比较充分的算法之一,FCM算法是一种基于划分的聚类算法,它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。此算法的缺点是当数据量非常庞大时,算法的运算过程就会非常耗时,甚至是无法完成运算。     

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。     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

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。     

基于蚁群算法的模糊C均值聚类

基于蚁t群算法的FCM聚类算法,利用蚁群算法能够得到局部极值的能力,对初始化非常敏感的初始值聚类教和模糊中心点处理.并对基本蚁群算法模型稍加修改,将其应用于模糊聚粪问题.     

基于核函数的模糊C均值聚类算法

通过引入Mercer核,把输入空间的样本映射到高维特征空间,实现了对样本在特征空间的优化,使各类样本之间的差别增大,从而较好地实现了对差别微弱的样本类之间的聚类．仿真实验的结果证实了该方法的可行性和有效性．     

基于免疫机制的动态多目标优化免疫算法

作者针对一类决策空间的维数随时间变化的动态多目标优化问题,借鉴免疫应答蕴含的动态进化机制,提出了一种动态多目标优化免疫算法。算法设计中,依据抗体学习机理,设计几种具有自适应能力的免疫算子进化当前抗体群,以及借助免疫系统的识别功能设计环境识别规则,用于加速相似环境的寻优过程。另外,借助两个性能评价指标,经由比较性的数值试验,获得该算法具有较好的搜索效果以及较稳定的环境跟踪能力。     

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.     

免疫进化模糊聚类算法在边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种免疫进化模糊聚类算法.该算法在传统遗传算法全局随机搜索的基础上,借鉴了生物免疫机制中抗体的多样性保持策略,改善了遗传算法的群体多样性,具有更好的全局搜索能力.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以减弱基于遗传算法的模糊聚类算法在遗传后期的波动现象.     

基于遗传模糊免疫算法的PID参数整定优化研究

针对工业过程中的PID参数整定较难的问题,在分析模糊免疫算法的基础上,提出了一种遗传模糊免疫算法,用于在线整定PID参数。该算法用免疫反馈机理在线调整比例系数,模糊算法在线整定积分系数和微分系数。同时,该算法引用具有全局寻优特性的遗传算法优化免疫参数,克服了免疫参数选取不当而导致系统超调量较大、响应速度过慢的问题。针对工业过程中的无时滞过程、一阶惯性加时滞过程、二阶惯性加时滞过程、高阶系统过程,将该算法用于PID参数整定优化,并与模糊免疫算法、免疫PID算法、常规PID算法整定结果进行对比分析。仿真实验结果表明,遗传模糊免疫算法整定出的PID参数具有超调量小、调节时间短、抗干扰性强、鲁棒性强等优点,取得了较好的控制效果。     

基于免疫算法的边际电价预测

在分析了影响系统边际价格（SMP）的因素的基础上,提出了基于免疫算法的SMP预测方法,并且对相似负荷日和邻近负荷日的数据都作了考虑。采用美国纽约州电力市场的历史数据进行实例计算,证明该方法对SMP的预测效果较好。     

一种基于分水岭变换和模糊C均值聚类的彩色图像分割算法

针对分水岭算法对在图像分割中容易产生过分割,提出了一种基于分水岭变换和模糊C均值(FCM)聚类算法的彩色图像分割算法。该算法先对图像进行分水岭分割,再对分水岭产生的过分割进行聚类合并。在合并过程中采用区间差异度和区域面积来确定模糊C均值聚类个数。该算法的优点是解决了分水岭变换算法的过分割问题的同时解决了模糊C均值聚类算法的初始值以及聚类中心难以确定的问题。实验结果表明,该算法可以准确地分割出目标并应用到自动分割系统中。