基于新的遗传算法的模糊C均值聚类用于遥感图像分割

标准FCM对噪声十分敏感,并且依赖于初始聚类中心选择,算法通常得到的是局部最优解而非全局最优解。针对此问题提出一种基于猴王遗传算法的改进的FCM算法.猴王遗传算法是一种新颖的全局优化搜索算法,具有高效的计算性能和优良的全局搜索能力。本文首次将猴王遗传算法（MKGA）与结合空间领域信息的FCM相结合,利用改进的FCM算法的目标函数建立适应度函数,利用猴王遗传算法搜索全局最优解,代替FCM的基于梯度下降的迭代过程,从而有效地避免了模糊C-均值聚类算法收敛到局部最优和对噪声敏感的问题。在此基础上实现了对遥感图像的聚类分割。实验结果表明,该算法对于遥感图像显示了较好的分割效果和较强的抗噪能力。     

多进制频移键控信号的调制分类方法

分析和改进了对MFSK信号调制分类算法。考虑到实际系统中脉冲成形的影响，对信号进行了恒包络预处理；选取抗噪能力强的Haar小波提取信号特征；针对无监督聚类算法中FCM算法对初始值敏感，易收敛至局部最优解的缺点，提出了减法聚类和FCM算法相结合的算法求得最佳聚类数；不仅能够保证获得全局最优解，还大大提高了FCM的收敛速率。     

基于模拟退火和粒子群改进的图像分割FCM方法

针对模糊C均值聚类(FCM)算法在分割图像时需要事先给出聚类数和容易陷入局部极小值的问题,提出一种新的FCM算法。首先,利用粒子群算法更新FCM的聚类中心,以加强算法的搜索能力,提高收敛速度;其次,根据模拟退火准则决定是否接受新的聚类中心,以得到当前迭代下的全局最优值;最后,设定有效性函数寻找图像的最佳聚类数,使算法具有自适应判断图像类别个数的能力。实验结果表明,该算法具有较好的全局收敛性,并且在未知聚类数的情况下能自适应寻找图像的最佳分类个数。     

一种非线性回归模型参数估计的混合基因算法

提出了一种新的结合可变多面体法和基因算法的混合基因算法(HGA),它通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了基因算法在达到全局最优解前收敛慢的问题。非线性回归模型参数估计的实验表明该算法具有较好的通用性和有效性。     

两阶段模糊C-均值聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。     

基于文化算法的模糊聚类分析

分析了模糊c均值(Fuzzy C Mean)聚类算法存在的不足,提出了基于文化算法的新型聚类算法.文化算法具有双层机构的特性,能从进化种群空间中获得求解问题的知识(即信仰)来指导搜索过程,从而具有较好的全局寻优性能.仿真实验表明,基于文化算法的聚类分析方法能在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,具有较好的聚类结果,且需要较少的计算量.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

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。     

一种基于禁忌搜索的全局最优化模糊聚类算法

模糊C均值（FCM）算法是一种基于贪心思想的迭代算法,算法沿迭代序列收敛到一个极小值,但存在搜索能力弱、易陷入局部最优的缺点.本文提出了一种基于禁忌搜索的模糊聚类算法,该算法在一个解的邻域内使用禁忌搜索,并采用了基于FCM局部收敛性质的长期表禁忌策略,保证在不断移动搜索起点的同时避免重复搜索;其次使用混沌优化思想与动态步长策略来提升算法的全局搜索能力,以达到获取全局最优解的目的.实验结果表明,改进算法极大地提高了聚类准确率,并具有良好的稳定性,与群智算法和遗传算法的优化相比也具有一定的优势.     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

基于改进QPSO的模糊C-均值聚类算法

针对模糊C-均值聚类算法容易陷入局部极值等缺陷,提出了基于改进QPSO的模糊C-均值聚类,算法利用QPSO的优点,并对量子门更新策略进行了改进。实验结果显示该算法提高了模糊聚类算法的聚类效果以及搜索能力,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。     

基于模糊C均值的数据流入侵检测算法

针对数据在性态和类属方面存在不确定性的特点,提出一种基于模糊C均值聚类的数据流入侵检测算法,该算法首先利用增量聚类得到网络数据的概要信息和类数,然后利用模糊C均值聚类算法对获取的数据特征进行聚类。实验结果表明该算法可以有效检测数据流入侵。     

基于自适应混沌粒子群的Web搜索结果聚类研究

提出了基于自适应混沌粒子群的Web搜索结果模糊C-均值算法,用粒子群算法代替模糊C-均值算法梯度下降的迭代过程,同时引入自适应的平衡搜索策略加快算法收敛和提高去噪能力,在增强局部搜索能力的同时引导粒子群跳出局部极值点.这样不仅在一定程度上解决了网页文档不确定性的问题,而且获得快速、稳定的聚类效果.     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

基于改进混合遗传的医学图像模糊增强研究*

针对现有医学图像中存在有采集后图像质量不高、图像过暗等现象,对遗传算法中的选择、交叉、变异特性进行研究,同时结合粒子群优化、禁忌搜索及模糊增强算法,提出一种基于改进混合遗传的医学图像模糊增强方法.该方法通过对传统遗传算法改进,将粒子群优化思想及粒子空间对称分布原理引入以改善遗传算法缺乏明确的目标指向性、“突变”性过高的现象,并且为有效降低粒子的同一位置二次搜索,在算法执行过程中加入了禁忌搜索算法.最后,通过与模糊增强算法相结合,并设置二维方向寻优,可自适应的同时寻找到两个模糊参数Fp、Fe最优值,完成医学图像的模糊增强.实验结果表明,改进后算法可有效改善过暗医学CT图像的质量,增强效果较好.     

基于蚁群DTW算法的哼唱搜索研究

虽然传统DTW算法在模糊匹配上具有很好的性能,但是DTW算法通过局部最优化算出最佳路径的最小累计距离,计算量较大,搜索效率较低。蚁群DTW算法,结合蚁群算法的正回馈机制,搜索语音信号之间匹配的一条全局最优路径,既利用了语音信号的全局特征又考虑了其局部信息,与传统DTW算法相比,能大大提高哼唱搜索效率。     

基于FGCM的冠脉OCT图像纤维斑块分割算法

冠脉OCT图像中的纤维斑块精确分割对于冠心病的诊断具有重大意义。针对模糊C均值算法邻域信息和空间信息利用率低,在分割具有弱边界的纤维化斑块过程中容易产生过分割的情况,提出了基于自定义窗口的邻域信息项和具有全局约束项G的FCM算法,即FGCM算法。首先,对OCT图像进行预处理,去除噪声。然后,采用自定义窗口获取像素强度的邻域信息,并将邻域信息和创造性提出的全局约束项G添加到FCM算法,使用FGCM算法分割纤维化斑块。最后,采用数学形态学方法作为后处理操作平滑斑块边界。通过对具有典型纤维化斑块特征的8个病例进行测试,与医生手动标记纤维化斑块(金标准)和其他文献的算法进行对比,测试结果显示所提算法分割精确度进一步提高,达到90%,能够进一步对血管狭窄程度进行定量分析,辅助医生制定诊断方案。     

基于变尺度寻优和遗传搜索技术的模糊神经网络全局学习算法

本文给出了一种改进的拟牛顿算法与具有新型交配方式和可变变异概率的遗传算法相结合的全局寻优算法，用以搜索模糊神经网络误差函数的全局量小点。