结合密度峰聚类的K均值图像分割算法

针对K均值聚类算法在图像分割应用中的不足,结合密度峰聚类算法对原有算法进行改进,得到了一种图像分割效果较好的改进K均值算法。K均值算法需要人工指定聚类中心数目,并且聚类中心的随机初始化对最终的图像分割结果有很大影响。针对以上缺点,对K均值算法进行改进,通过密度峰聚类算法自动确定了图像分割的聚类中心数目和较为准确的初始聚类中心。为了衡量色差在人眼中的感知情况,在算法中引入了NBS距离作为距离测度。实验结果表明,改进后的图像分割算法在分割图像时具有稳定的性能和较好的效果。     

密度峰值快速搜索与聚类算法及其在船舶位置数据分析中的应用

密度峰值快速搜索与聚类算法(CFSFDP)是2014年发表在《科学》上的一种新颖的聚类算法,该算法通过计算样本点的局部密度和到局部密度比它大的样本点的距离,采用决策图的形式确定聚类中心,能快速发现任意形状数据集的密度峰值点,并高效进行非中心样本点分配。但是当数据集中簇间密度差别较大或者某个簇中存在多密度峰值时,聚类结果较差。针对该问题,采用相对密度作为度量样本点密度的尺度搜索密度峰值,优化CFSFDP算法。人造数据集和UCI真实数据集上的实验表明,在没有显著提高时间复杂度的基础上,算法的性能优于CFSFDP算法和具有噪声的基于密度的聚类应用(DBSCAN)算法。最后将新算法应用于船舶位置数据,分析船舶交通流特征和群体行为模式,取得了满意的结果。     

融合密度峰值和空间邻域信息的FCM聚类算法

针对模糊C均值(FCM)算法聚类结果对初始中心点敏感以及聚类过程中没有考虑到不同密度样本点在聚类过程中影响力不同的缺陷,提出了一种密度峰值和样本点空间邻域信息优化的FCM算法。改进后的算法选择数据集中具有局部密度峰值的样本点或者局部密度较大的样本点作为初始聚类中心,充分考虑样本点邻域之间的关系,增加局部密度值大的样本点在聚类中心迭代计算过程中的影响力,从而达到优化FCM算法聚类效果的目的。理论分析和在人造数据集、加州大学欧文分校(UCI)机器学习数据库中真实数据上的实验结果表明,改进后算法的抗噪性、聚类效果和全局收敛能力均优于传统FCM算法。     

基于模糊核加权C-均值聚类的高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容之一。模糊C-均值聚类算法因其算法简单、收敛速度快等优点受到广泛的关注。由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值均聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。     

基于MAR与FCM聚类的声呐图像分割

针对模糊C均值聚类算法中,聚类效果往往受到聚类中心数目和初始聚类中心的影响这一问题,提出一种基于多尺度自回归(MAR)模型与模糊C均值(FCM)聚类的声呐图像分割方法.引入MAR模型,建立层与层之间以及相邻层像素点间的数学关系,利用粗尺度图像的灰度-邻域均值二维直方图中的峰值个数来确定聚类中心数目,通过MAR得到的预测分割结果引导初始聚类中心的确定.实验结果表明,改进后的算法能准确、快速地确定聚类中心数目,并较好地解决初始聚类中心问题;与传统的FCM聚类方法相比,具有分割准确和收敛速度快的特点.     

模糊聚类算法综述

模糊聚类算法是近年来图像分割技术领域的研究热点之一。本文在对模糊C均值聚类算法分析的基础上,结合目前在图像分割中的应用研究,对模糊C均值聚类算法的有效性进行了比较分析。从隶属度、聚类数和其它方面,评述改进的模糊c均值聚类算法。最后讨论模糊c均值聚类算法目前存在的问题和发展方向。     

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。     

基于加权灰色关联分析与模糊C-均值聚类的柴油机磨损模式识别

将加权灰色关联分析与模糊C-均值聚类(fuzzy center-means clusteving)算法相结合应用到柴油机磨损模式评价体系中,以Bezdek准则和模糊熵值为度量指标加强全局搜索能力并确定了加权指数m值,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果相比较,证明加权模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

基于聚类-改进灰狼算法的设施番茄分割识别方法

设施环境中的果实图像识别是作物生长监控和采摘智能化的关键技术之一。以设施番茄(品种:苏粉14)为研究对象,针对其获取图像果实粘连导致机器作业识别不准确,且识别效果受光线影响等问题,提出了一种改进灰狼算法优化聚类中心的番茄图像自动分割方法,并通过形态学和多尺度Hough变换算法对目标进行提取,完成图像中粘连果实的分割与识别。首先通过添加扰动因子对灰狼算法进行改进,调整搜索半径,增强全局寻优能力,避免算法陷入局部最优,然后利用改进灰狼算法对K均值聚类算法的聚类中心进行优化,模拟灰狼狩猎机制,寻找一组最佳聚类中心,克服原始聚类算法对初始中心点的过度依赖,提高其聚类效果,为识别设施番茄果实提供了良好的分割基础。对分割后的图像进行几何形态学处理,然后通过多尺度Hough圆检测,对果实进行识别和定位。随机选取200幅番茄图像进行实验,实验结果表明,相对于粒子群优化算法和遗传算法等优化算法,聚类-改进灰狼算法在收敛速度、聚类质量和稳定性方面都有显著提升,其中运行时间比K均值聚类算法缩短48.7%,峰值信噪比提高了45.2%,结构相似度提升了10.2%。聚类-改进灰狼算法果实平均识别率为89.2%,比通过K均值聚类算法进行分割的果实平均识别率提高了10.8%,识别率明显提高,实现了番茄果实的识别和定位。     

基于聚类的未知频率小信号检测

针对宽带范围内未知频率、幅度和相位的小信号检测,提出了一种改进的K均值聚类算法,传统的聚类法只以某一特征参数作为聚类依据,不能体现类内各样本间两个或多个参数的相似度;改进的聚类法按频点谱密度进行网格划分,并根据每个网格的直方图峰值确定类的数目和类心;按最小欧氏距离原则对网格内各频点以频率为特征参数进行分类,分类后的网格内子类在谱密度和频率两个参数上都具有一定的相似性。把待测信息和样本信息的子类进行比较,从而获得与小信号特征值一致的新子类,试验结果表明这种改进的K均值聚类法在复杂环境下能有效识别宽带内未知频率小信号。     

基于ABC-DPC算法的玻璃窑炉能耗异常检测

针对传统的窑炉异常检测方法易受主观因素干扰且存在异常冗余报错的情况,提出一种基于人工蜂群算法的密度峰值聚类(ABC-DPC)的玻璃窑炉能耗异常检测方法。该方法针对密度峰值聚类存在人工设定参数和无法自动划分簇中心和离群点的不足,以人工蜂群算法实现了截断距离的自适应优选过程,并设立离群系数策略以实现自动划分簇中心和离群点的功能。研究了玻璃窑炉的分层能耗模型,并基于此导出能耗特征值,然后应用ABC-DPC算法实现窑炉异常能耗的聚类检测。实验结果表明,所提出算法较于经典聚类算法,检测准确率较高,而且能实时地检测窑炉的能耗异常状况。     

基于自适应拓扑的电池动态分组均衡方法

传统电池分组均衡方法用于减小电池组不一致性时，其分组方式存在低效耗能问题，因此提出了一种基于自适应电路拓扑的电池分组均衡方法。结合开关组与Buck-Boost电路特点，设计了用于电池分组均衡的自适应电路拓扑，在分析模糊C均值（FCM）聚类算法需给定初始聚类中心及隶属度矩阵等不足的基础上，从软件角度提出了用于实现电池分组的基于密度的模糊C均值(DBFCM)聚类算法。每个均衡周期内，采用DBFCM聚类算法实现电池单体聚类分组，依托自适应电路拓扑对聚类完成的电池各组进行组间均衡操作。实验结果表明，该方案可有效提高电池组的整体能量利用率，缩短均衡时间，减小单体电池间的不一致性。     

基于模糊技术的制造单元构建方法研究

针对制造单元构建的问题特征，提出基于模糊C均值逻辑的制造单元构建算法。采用改进的减法聚类法产生初始聚类中心，防止陷入局部优化；提出制造单元构建专用的距离函数测定零件的相似性，避免欧几里德距离函数造成的对零件的错误聚类；采用最优迭代方案选择算法，避免因停止参数选择不当造成算法最终迭代方案不可行。通过对10组文献数据和90组随机产生数据的大规模测试和比较分析，表明了算法性能的优越性。     

模糊聚类在机械故障诊断中的应用

介绍了模糊C均值聚类算法在机械故障诊断中的应用.以滚动轴承故障特征值的聚类中心来评定故障类别收到了良好的效果.与其他方法相比,模糊聚类方法实现只需要少量样本,从而使诊断工作量与诊断时间大为减少.     

基于模糊C-均值聚类算法的柴油机磨损模式识别

将模糊C-均值聚类算法应用到柴油机磨损模式评价体系中,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果进行比较,证明模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

基于模糊C-均值聚类算法的柴油机磨损状态评判

论述了模糊C-均值聚类算法的原理与步骤，选取光谱分析中磨损元素的含量和3个定量铁谱参数作为特征参数，将模糊C-均值聚类算法应用到柴油机磨损状态评判体系中，可以得到聚类中心和用于分类的标准向量。对聚类结果进行了验证，表明应用模糊聚类的方法评判柴油机的磨损状态是可信的和准确的。     

分块自适应加权改进大规模模糊聚类

为解决传统模糊C均值聚类(Fuzzy C-means,FCM)算法在处理大规模数据集时遇到的时间复杂和内存不足等瓶颈,提出基于大数据集抽样分块的多视角自适应模糊聚类算法,算法通过邻域正则约束提高传统FCM算法的抗噪性,通过低秩与熵加权约束提高多视角一致性,以提高算法对多样化数据聚类的适应性,最后通过Canopy算法初始聚类中心提取、数据抽样分块和自适应加权优化算法对大规模数据聚类的适应性.实验结果表明,算法在继承传统多视角FCM算法良好聚类性能基础上,减少了计算复杂度,提高了聚类准确率,适于大规模数据集聚类.     

用于分割无损检测图像的改进的抑制式模糊C均值聚类算法

由于无损检测图像灰度分布不均衡,常用的模糊C均值聚类算法不能对图像中的目标与背景进行有效分割,故提出一种改进的抑制式模糊C均值聚类算法(IS-FCM)对无损检测图像进行分割。通过对抑制式模糊C均值聚类算法(S-FCM)的目标函数融入每一类的总隶属度以均衡化目标像素和背景像素对聚类结果的影响,在构建的新目标函数基础上推导出新的隶属度和聚类中心迭代形式,然后分析了所提算法的收敛性并给出了执行步骤,最后通过无损检测图像对所提算法进行分割实验。结果表明,IS-FCM算法不仅能够对灰度分布不均衡的无损检测图像进行有效分割,还扩展了S-FCM算法的应用范围,增强了鲁棒性和适应性。     

基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别

对模糊C-均值聚类算法改进及在齿轮故障高效、可靠识别中的应用进行研究,提出了一种新的计及模糊聚类和特征选取的在线齿轮故障识别方法—基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别算法.设计多核函数和贪婪聚类中心初始化策略,以克服模糊聚类算法对初始值敏感、高维复杂数据聚类鲁棒性差的缺陷;提出特征子集选取机制,...     

基于多模型建模的木材含水率测量方法研究

针对单一模型无法全面描述木材含水率的复杂非线性特性问题,本文提出一种多模型建模的方法测量木材含水率,该方法先用模糊C均值聚类算法将含水率等效电阻、进风口、出风口温度等数据分成具有不同聚类中心的子集,每一子集依据样本数分别采用径向基网络、支持向量积训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到木材含水率测量的模型。通过实例验证了本方法与RBFNN建模对于木材含水率的检测,具有更好的泛化结果和测量精度。