基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

一种基于黑洞算法的模糊C均值文本聚类方法

FCM算法应用于文本聚类时,由于初始聚类中心点选择的随机性,以及容易陷入局部最优的问题,导致文本聚类效果较差.为了提高FCM算法的聚类精度,提出了采用黑洞算法寻找FCM最优初始聚类中心的方法.黑洞算法是一种启发式优化方法,在FCM初始聚类中心寻优的过程中,始终保持黑洞为全局最优解,最终发现FCM的最优初始聚类中心.实验结果表明,基于黑洞算法的FCM文本聚类方法可以解决FCM算法对初始中心点敏感和容易陷入局部最优的问题,聚类精度明显提高.     

FCM聚类算法与改进层次聚类算法的结合

模糊c-均值聚类算法(fuzzy C-means 简称FCM)和层次聚类算法是两种非常重要的聚类算法.由于FCM算法对初始聚类中心敏感,并且需要人为确定聚类类别数,这样收敛结果易陷入局部最优解.通过对这两种聚类算法的分析,首先对传统的凝聚层次聚类算法提出了改进,然后用改进的凝聚层次聚类算法得到最佳聚类数和初始聚类中心,最后用FCM算法进行再次聚类,以此得到更好的聚类结果并且减少了执行时间和迭代次数.     

一种分布式的模糊聚类方法

由于FCM算法中的初始值需要随机的设定,这种随机性不能保证每次都能达到全局最优,也就是说如果初始聚类中心的设置具有全局的特点,那么聚类的结果才能达到全局最优。因此主要针对模糊c-均值(FCM)聚类算法对初始值很敏感,而且容易陷入局部最优解的这一特点,提出了一种分布式的模糊聚类方法。首先用分治法得到模糊聚类的全局的聚类中心值,然后再用FCM进行聚类,从而克服FCM算法对初始值敏感和容易陷入局部最优解的缺陷,达到全局最优。经仿真实验证明结果是很理想的。     

基于GA和FCM的岩体结构面的混合聚类方法

提出了一种基于遗传算法(GA)和模糊C均值(FCM)算法的岩体结构面混合聚类方法.利用GA的全局搜索性能,求得初始聚类中心:在此基础上利用FCM算法,根据精度要求再作进一步求解.该方法避免了人为划定分类界限的主观性,消除了FCM聚类算法的局部最优的弱点,解决了采用普通遗传算法聚类时搜索速度和聚类精度的矛盾.结合实测数据,对应用该方法进行结构面组识别的步骤、参数选取、分组有效性、优势方位的判定进行了分析和讨论.     

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.     

基于层次聚类与峰值检测的FCM图像分割算法

针对传统FCM算法在图像分割中存在的过度依赖初始聚类中心、计算复杂度高等问题,结合层次聚类与直方图峰值检测,提出了一种新的FCM图像分割算法.首先根据图像灰度直方图统计信息对图像进行层次聚类,然后将得到的聚类中心作为FCM算法的初始聚类中心对图像进行分割.该算法无需预先设置聚类数目,能自动搜索全局最佳聚类中心.实验结果表明,相比传统FCM算法和峰值检测的FCM算法,该算法不仅可以有效地提高图像的分割效率,而且分割结果更加精确.     

优化初始中心的模糊C-均值(FCM)算法

文章针对模糊C-均值(FCM)算法对初始中心敏感的缺点,通过计算样本的权重,提出基于权重的初始中心选取算法,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法.与传统算法比较,改进算法可以得到较稳定的结果,并且提高了聚类的准确率;实验证明了改进算法的有效性.     

基于改进FCM聚类的交通控制时段划分

对传统的模糊c-均值聚类算法进行改进,提出一种基于改进FCM聚类的交通信号控制时段划分方法.首先,引入模糊聚类隶属度基数,对聚类数目自动选取;然后,运用模拟退火遗传混合算法对初始聚类中心进行优化.最后,根据交叉口实际流量数据,进行时段划分,利用仿真软件进行方案效果评价.结果表明,与传统FCM算法相比,文中方法能有效实现控制时段划分,更加符合实际交通特性,且能得到全局最优解.与原有控制方案相比,FCM方案和文中方案都能有效降低车辆平均延误,文中方案效果更明显.     

基于颜色空间和优化初始中心的模糊c均值聚类算法

提出了一种基于HIS空间的优化初始中心的模糊c-均值的彩色图像分割方法．首先将彩色图片由RGB转换为HIS,并将H和1分开处理,通过计算样本的权重,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法,将该算法应用于H和I通道,得出新的基于颜色空间的FCM算法．该算法可以得到较稳定的结果,并且提高了聚类的准确率．     

基于生物地理学模糊C均值聚类的图像分割算法

提出了一种基于模糊C均值算法和生物地理学优化算法的混合聚类算法(BBO-FCM).该算法结合了生物地理学优化算法的全局搜索和FCM算法快速局部搜索的特点,利用生物地理中的迁移算子来进行各解之间的信息共享,从而有效地克服了FCM对初始值敏感、易陷入局部最优等问题.将BBO-FCM算法用于图像分割,实验表明,新算法的聚类效果评价指数更好,聚类效果明显优于原始的FCM算法.     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

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.     

基于密度结构分析的改进FCM混合矩阵估计

欠定盲源分离问题中,针对传统FCM算法(fuzzy C-means, FCM)需要预先设定聚类数目和初始聚类中心,以及聚类结果易受噪点干扰的问题,提出一种基于密度结构分析的改进FCM聚类算法,并利用改进后的算法实现混合矩阵估计。这一改进算法首先用OPTICS(ordering points to identify the clustering structure,OPTICS)算法对信号进行密度结构分析,得到能反映信号密度结构的可达距离序列,从中确定出初始聚类中心和聚类数目,实现对FCM初始参数优化;而后进一步将可达序列作为动态加权因子应用到FCM目标函数中,实现对目标函数的优化。仿真结果表明,本文提出的改进算法可以从初始参数和目标函数2方面实现对传统FCM算法的优化,提高聚类的稳定性和最终混合矩阵的鲁棒性。     

改进模糊C均值聚类法的车辆实际行驶工况构建

针对模糊C均值(FCM)聚类法的性能依赖于初始聚类中心、迭代容易陷入局部极值、不能确保FCM收敛于一个最优解的问题,利用多岛遗传算法(MIGA)与序列二次规划法(SQP)组合优化,对FCM聚类的初始聚类中心进行优化,从而使聚类结果更加接近最优聚类。采用主成分分析和改进的FCM聚类分析,将运动学片段的特征值进行降维和分类处理,构建出基于大样本、符合郑州市交通特征的行驶工况。与试验数据对比表明:所构建的乘用车行驶工况与试验数据特征参数平均相对误差仅为2.097%,速度-加速度联合分布差异(SAFD_(diff))仅为1.74%,行驶工况拟合精度较高,更能综合反映郑州市交通真实状况。     

改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,减少FCM算法收敛所需的迭代次数;优化参与迭代运算的数据集,减少每次迭代过程的运算时间。该方法使FCM算法的运算速度提高了将近10倍,而且不会影响算法的分割效果。     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法.该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷.实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法.     

基于信息熵的模糊聚类新算法研究

本文针对传统FCM(模糊C均值)聚类算法对初始中心值非常敏感,并且对数据集属性要求过高的缺陷,提出了采用信息熵的方法对聚类中心进行初始化,以此来降低算法对初始聚类中心的依赖.同时为了使算法能够对任意形状的簇进行聚类,本文引用了类合并的思想,将任意形状的簇分割成小类,再通过一定的规则将小类对进行合并.实验结果证实了在FCM基础上改进的模糊聚类新算法能够识别任意形状的簇,并大大降低了FCM算法对初始聚类中心的依赖.     

一种基于遗传算法的模糊C均值算法

模糊C-均值聚类(FCM)对初始值很敏感,易于陷入局部极小点而不能搜索到全局的聚类中心,遗传算法是一种通过模拟自然进化过程的搜索最优解的方法.因此,将FCM算法引入遗传算法的进化中,代替原来的交叉操作.实验结果表明,新方法明显优于传统 FCM算法.     

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