基于改进粒子群优化聚类算法的故障诊断方法

针对模糊C均值聚类算法(FCM)中聚类结果受初始聚类中心影响突出的缺陷,利用粒子群优化算法(PSO)全局优化能力显著的特性,提出一种基于粒子群改进的模糊C均值聚类算法(PSO-FCM).该算法首先通过PSO优化算法得到一个最优值,然后利用该最优值初始化FCM聚类中心,从而优化了FCM算法的聚类结果.最后将该算法应用于电机故障诊断中,实验表明,该算法弥补了FCM算法的缺陷,提高了聚类的效率和准确性,改善了故障诊断结果.     

基于余弦相似性的自适应权重的改进FCM算法

模糊C-均值聚类算法(FCM)是一种经典的聚类算法,主要通过迭代更新隶属度和聚类中心来提高聚类的有效性.FCM算法的性能主要通过类内紧性和类间分离性来评价,但其既依赖于初始聚类中心,也对噪声非常敏感.考虑到每个数据点和每个聚类中心对目标函数的不同重要性,本文提出了一种具有自适应权重的改进FCM聚类算法(Hybrid FCM).主要贡献:将2个具有自适应指数p和q的自适应权向量ψ和φ引入FCM的目标函数,以体现不同数据点和聚类中心的重要性;为提高聚类性能,自适应指数p、q和模糊因子m采用粒子群优化算法(PSO)优化,新提出的聚类评价指标AWCVI作为PSO算法的适应度函数;迭代过程中利用余弦相似性对隶属度函数进行修正,提高算法的鲁棒性.实验表明,本文提出的算法能够有效地提高聚类效果.     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

基于改进FCM算法的卫星云图聚类方法研究

卫星云图是研究天气系统演变规律的重要信息,云层内容从卫星云图中提取出来可以有助于云图分析,减少陆地和海洋信息的干扰。为此采用了模糊C均值聚类算法(FCM)进行云图聚类,该算法具有计算效率高,过程简单的优点,但对初始聚类中心敏感,容易陷入局部最优解。针对此问题,本文将全局性良好的粒子群优化算法(PSO)引入FCM聚类算法,克服了初始聚类中心对全局收敛性的影响。同时,将阴影集理论与该混合算法结合起来,去除聚类过程中的异常值,提高算法的效率。通过红外云图聚类对比实验得出,改进的FCM算法与传统的FCM算法相比,聚类结果图的类间距离增大,类内距离减小,聚类质量有所提高。     

一种基于粒子群优化的FCM聚类方法

针对模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,本文提出了一种基于粒子群优化的模糊聚类算法.该算法利用粒子群强大的全局寻优能力,克服了模糊C-均值聚类算法的不足.实验结果表明,该算法具有很好的全局收敛性和较快的收敛速度.     

基于干扰因子的QPSO算法改进

具有量子行为的粒子群优化算法(Quantum-Behaved Particle Swarm Optimization,QPSO)是一种新的基于群体智能的优化方法.与粒子群算法(Particle Swarm Optimization,PSO)相比,QPSO的全局收敛性能更好.但与其他进化算法一样,QPSO仍然不可避免地遇到早熟收敛的问题.因此在QPSO算法的基础上,引入干扰因子以避免算法的早熟现象.实验结果表明,改进后的QPSO算法具有更好的收敛性能.     

基于量子粒子群优化算法的图像分割方法

利用量子粒子群优化算法(QPSO)对二维Fisher准则图像分割评价函数进行了全局优化,提高了分割阈值的求解速度。并针对量子粒子群优化算法存在收敛性差、易早熟的问题,提出了量子粒子群优化算法和邻域搜索双重寻优的改进算法。实验结果表明,改进后的分割方法具有良好的分割效果和求解速度。寻找到的最佳阈值与二维Fisher准则函数算法完全相同,而阈值求解时间只有二维Fisher准则函数算法的1/3。     

一种尺度参数与初始中心自适应的谱聚类算法

提出一种尺度参数与初始中心自适应的谱聚类算法。与传统谱聚类算法中使用全局尺度参数相比,本算法根据样本数据点邻域信息自适应确定的局部尺度参数,充分考虑了数据的内在结构,并且将粒子群优化的FCM算法引入算法中,寻找最优粒子作为初始中心,解决初始聚类中心敏感性问题。实验结果表明,文章提出的算法相比原始谱聚类算法,聚类结果更稳定,正确率更高。     

FBG非均匀应变分布的动态粒子群算法重构研究

基于动态粒子群算法(DPSO)和传输矩阵法,提出了一种新的光纤布喇格光栅(FBG)轴向非均匀应变分布重构方法.利用光栅轴向采样点处的应变值作为粒子,让其在解空间中模拟鸟群行为进行搜索,算法的惯性权重ω根据不同粒子与当前种群中全局最优粒子距离的大小进行动态调整,加快了算法收敛到最优点的速度.采用DPSO对线性、二次、正弦、不连续等4种应变分布形式进行了应变重构,并与量子行为粒子群优化算法(QPSO)的重构结果进行了比较,仿真结果表明,DPSO优化算法可有效地进行光栅轴向菲均匀应变分布的重构,精度和迭代速度较QPSO法有显著提高.     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

Entropy-like distance driven fuzzy clustering with local information constraints for image segmentation

To improve the anti-noise ability of fuzzy local information C-means clustering, a robust entropy-like distance driven fuzzy clustering with local information is proposed. This paper firstly uses Jensen-Shannon divergence to induce a symmetric entropy-like divergence. Then the root of entropy-like divergence is proved to be a distance measure, and it is applied to existing fuzzy C-means (FCM) clustering to obtain a new entropy-like divergence driven fuzzy clustering, meanwhile its convergence is strictly proved by Zangwill theorem. In the end, a robust fuzzy clustering by combing local information with entropy-like distance is constructed to segment image with noise. Experimental results show that the proposed algorithm has better segmentation accuracy and robustness against noise than existing state-of-the-art fuzzy clustering-related segmentation algorithm in the presence of noise.     

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。     

基于模糊Fisher准则的自适应降维模糊聚类算法

该文指出曹苏群等人提出的基于模糊Fisher准则(FFC)的半模糊聚类算法(FFC-SFCA)中的一个推导错误,结合模糊紧性和分离性(FCS)聚类算法提出新的聚类算法:FFC-FCS。FFC-FCS充分利用FFC的特征提取和降维特性,交替运行原始数据空间中FFC和投影空间中的FCS,通过对降维数据的聚类实现对原始数据的聚类。FFC-FCS不仅对低维数据具有优异的分类性能而且对高维数据也表现出一定的分类优势。实验结果表明,FFC-FCS 的性能明显优于原有的FCS算法,FFC-SFCA算法以及经典的模糊C-均值(FCM )算法。     

多分辨率图像锥的FCM聚类图像分割算法

模糊C-均值（FCM）聚类算法是一种基于像素分类的图像分割方法，在分割的过程中，仅仅利用了像素点的灰度信息，但在灰度密度丰富变化和图像的对比度不明显的情况下，物体和背景的分布将相互重叠而密不可分，往往得不到满意的分割效果。为了解决上述问题，现提出了一种基于多分辨率图像锥的模糊C-均值聚类图像分割算法。该方法利用多分辨技术产生多分辨率图像锥，将图像从空间信息引入，考虑图像的局部特性，使分割算法局限于图像的子图像中，物体和背景比单纯运用FCM更容易区分，且算法稳定性高，速度快。     

基于新的AFCM算法的陀螺仪漂移预测

为克服模糊规则提取的盲目性和随机性,提出了一种基于新的自适应模糊C-均值聚类(AFCM)算法的T-S 模糊建模方法.首先利用减法聚类来确定聚类数目的上限和初始聚类中心,然后采用改进的模糊C-均值聚类(FCM).算法进一步优化聚类中心,最后通过聚类有效性评判方法自适应地确定规则数及聚类中心,同时改进的FCM算法也克服了野...     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。     

Classification of multispectral images based on a fuzzy-possibilistic neural network

In this paper, a new Hopfield-model net based on fuzzy possibilistic reasoning is proposed for the classification of multispectral images. The main purpose is to modify the Hopfield network embedded with fuzzy possibilistic C-means (FPCM) method to construct a classification system named fuzzy-possibilistic Hopfield net (FPHN). The classification system is a paradigm for the implementation of fuzzy logic systems in neural network architecture. Instead of one state in a neuron for the conventional Hopfield nets, each neuron occupies 2 states called membership state and typicality state in the proposed FPHN. The proposed network not only solves the noise sensitivity fault of Fuzzy C-means (FCM) but also overcomes the simultaneous clustering problem of possibilistic C-means (PCM) strategy. In addition to the same characteristics as the FPCM algorithm, the simple features of this network are clear potential in optimal problem. The experimental results show that the proposed FPHN can obtain better solutions in the classification of multispectral images.     

基于ART神经网络的FCM聚类多目标跟踪方法

为解决模糊C均值（FCM）算法依赖类中心的初始化而运行时间过长的问题,提出了一种改进方法：该算法首先利用自组织谐振理论（ART）神经网络算法自动聚类的优点,对数据集进行＂粗聚类＂得到与实际类中心近似的初始类中心及聚类数目,再利用FCM算法对＂粗聚类＂结果进行聚类并得到最终精确的聚类结果。通过实验表明,改进算法结合了两种算法分类的特长,具有比FCM算法更高的聚类效率和更好的聚类质量;同时,算法的跟踪精度及运算速度也得到大大提高。     

A KNN-Scoring Based Core-Growing Approach to Cluster Analysis

This paper proposes a novel core-growing (CG) clustering method based on scoring k-nearest neighbors (CG-KNN). First, an initial core for each cluster is obtained, and then a tree-like structure is constructed by sequentially absorbing data points into the existing cores according to the KNN linkage score. The CG-KNN can deal with arbitrary cluster shapes via the KNN linkage strategy. On the other hand, it allows the membership of a previously assigned training pattern to be changed to a more suitable cluster. This is supposed to enhance the robustness. Experimental results on four UCI real data benchmarks and Leukemia data sets indicate that the proposed CG-KNN algorithm outperforms several popular clustering algorithms, such as Fuzzy C-means (FCM) (Xu and Wunsch IEEE Transactions on Neural Networks 16:645–678, 2005), Hierarchical Clustering (HC) (Xu and Wunsch IEEE Transactions on Neural Networks 16:645–678, 2005), Self-Organizing Maps (SOM) (Golub et al. Science 286:531–537, 1999; Tamayo et al. Proceedings of the National Academy of Science USA 96:2907, 1999), and Non-Euclidean Norm FCM (NEFCM) (Karayiannis and Randolph-Gips IEEE Transactions On Neural Networks 16, 2005).