基于粒子群模糊C-均值聚类的图像分割算法

模糊C-均值（FCM）聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点。将粒子群优化算法（PSO）与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。     

基于改进的粒子群优化的模糊C-均值聚类算法

利用粒子群优化（PSO）算法全局寻优的特点,很大程度上避免了模糊C-均值聚类（FCM）算法对初值敏感、易陷入局部收敛的缺陷.利用收敛速度快的K均值聚类法得到的聚类中心作为PSO算法初始聚类中心的参考,提出一种新的模糊C-均值聚类算法Improved PSO FCM.实验结果表明,论文算法提高了FCM的搜索能力,聚类更为准确,效率更高.     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

基于混合粒子群优化算法的聚类分析

针对模糊C-均值聚类算法易陷入局部最优和算法收敛速度慢等问题,提出了一种新的基于混合粒子群优化的模糊C-均值聚类算法.新算法在基本粒子群优化的模糊C-均值聚类算法的基础上结合了遗传算法的交叉、变异算子及混沌优化算法,并引入逃逸算子.仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

多阈值图像分割的模糊粒子群优化算法

把粒子群算法应用到多阈值图像分割中,结合已有的模糊C-均值聚类法提出了一种基于模糊技术的粒子群优化多阈值图像分割算法。FCM聚类算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解。PSO算法是一种基于群体的具有全局寻优能力的优化方法。将FCM聚类算法和PSO算法结合起来,将FCM聚类算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明新算法在最大熵评判准则下能够得到最优阈值。     

一种扩展的条件模糊C-均值聚类算法

在综合分析标准的模糊C-均值聚类算法和条件模糊C-均值聚类算法基础上,对模糊划分空间进行修改,进一步弱化模糊划分矩阵的约束,给出一种扩展的条件模糊C-均值聚类算法。算法的划分矩阵和原型不依赖于背景约束及模糊划分矩阵的隶属度总和。实验结果表明：该算法可以得到不同的聚类原型,并具有很好的聚类效果。     

微分进化自适应模糊C均值分割算法

模糊C均值（FCM）聚类算法分割图像时,对图像的背景噪声和聚类算法的初始值比较敏感,为了克服这个问题,进而提出了微分进化模糊[C]均值分割算法。为了避免陷入局部极值,首先使用FCM聚类初始化,接着用改进的FCM进行模糊聚类;然后进行初始化种群操作,设置微分进化DE算法的参数,计算种群中每个个体的适应值,最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力,有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题,保证图像分割边界的完整性,是一个比较高效的方法,有效地提升了分割效果。DE算法本身具有简单,快速,鲁棒性好等优点,利用这些优点可以有效地克服FCM算法的缺点。     

混沌粒子群与模糊聚类在图像分割中的应用

模糊C均值聚类算法是目前使用最广泛的模糊聚类算法,但是该算法也有其局限性,比如在迭代过程中对初始值非常敏感,极容易陷入局部极小值,以至于得不到最佳聚类结果。将粒子群优化算法应用到模糊C均值聚类算法中,提出一种基于混沌粒子群的模糊C均值聚类算法。它能够利用粒子群算法强大的全局寻优能力避免算法收敛于局部极值,最大程度上达到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,该算法引入了混沌变量,以当前的全局最优位置来产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。将基于混沌粒子群的模糊C均值聚类算法应用于图像分割中,实验结果表明该算法能够有效地分割图像,并具有良好的鲁棒性和适应性。     

基于分水岭和改进的模糊聚类图像分割*

针对模糊C-均值聚类算法需预先给出初始聚类中心、未考虑邻城信息、计算复杂度高等缺点,提出了一种基于分水岭和改进的模糊聚类图像分割方法.该方法首先利用分水岭分割方法对原图像进行预分割,然后利用粒子群的全局寻优能力从预分割的小区域中搜索出较为准确的初始聚类中心;最后,在对小区域进行模糊聚类时,建立了包含邻域信息的聚类目标函...     

基于PSO_KFCM的医学图像分割

在核模糊聚类算法(KFCM)的基础上,提出了一种新的PSO KFCM聚类算法.新算法利用高斯核函数,把输入空间的样本映射到高维特征空间,利用微粒群算法的全局搜索、快速收敛的特点,代替KFCM算法逐次迭代的过程,在特征空间中进行聚类,克服了KFCM对初始值和噪声数据敏感、易陷入局部最优的缺点.通过对医学图像进行分割,仿真实验结果表明,新算法在性能上比KFCM聚类算法有较大改进,具有更好的聚类效果,且算法能够很快地收敛.     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。     

Picture fuzzy clustering: a new computational intelligence method

Fuzzy clustering especially fuzzy \(C\)-means (FCM) is considered as a useful tool in the processes of pattern recognition and knowledge discovery from a database; thus being applied to various crucial, socioeconomic applications. Nevertheless, the clustering quality of FCM is not high since this algorithm is deployed on the basis of the traditional fuzzy sets, which have some limitations in the membership representation, the determination of hesitancy and the vagueness of prototype parameters. Various improvement versions of FCM on some extensions of the traditional fuzzy sets have been proposed to tackle with those limitations. In this paper, we consider another improvement of FCM on the picture fuzzy sets, which is a generalization of the traditional fuzzy sets and the intuitionistic fuzzy sets, and present a novel picture fuzzy clustering algorithm, the so-called FC-PFS. A numerical example on the IRIS dataset is conducted to illustrate the activities of the proposed algorithm. The experimental results on various benchmark datasets of UCI Machine Learning Repository under different scenarios of parameters of the algorithm reveal that FC-PFS has better clustering quality than some relevant clustering algorithms such as FCM, IFCM, KFCM and KIFCM.     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。     

基于粒子群优化的模糊c均值聚类算法--在丙烯腈反应器参数优化上的应用

采用粒子群优化(PSO)算法,代替遗传算法(GA),将其和模糊c均值(FCM)聚类算法结合,形成基于粒子群优化的模糊c均值聚类(PSO-FCM)算法,同时引进混沌优化算法加强PSO-FCM算法的局部搜索能力。以某工厂丙烯腈反应器数据为研究对象,对比GA-FCM算法和FCM算法,研究结果表明PSO-FCM算法能够得到较优的聚类,且该算法实现简单,便于工程应用,对丙烯腈反应器参数调整的指导作用更加显著。     

基于人工鱼群算法的动态模糊聚类

针对传统的模糊C-均值(FCM)聚类算法的聚类有效性对空间样本分布的依赖性等缺点,提出了一种新的基于人工鱼群算法的动态模糊聚类。通过引入模糊等价矩阵来表示高维样本之间的相似程度,并将高维样本映射到二维平面。然后利用人工鱼群算法不断优化二维样本的坐标值,使样本之间的欧氏距离向样本间的模糊等价矩阵趋近,最终实现模糊聚类。该方法克服了聚类有效性对高维样本空间分布的依赖性并同时提高了效率。仿真实验结果证明了该算法是有效的,具有聚类速度快、精度高等特点。     

色彩量化的模糊粒子群优化技术

把粒子群算法应用到色彩量化中,结合已有的模糊C均值聚类量化方法,提出了一种基于粒子群优化的色彩量化算法。模糊C均值聚类量化算法是一种局部搜索算法,对初始值较为敏感,容易陷入局部极小值而不能得到全局最优解;PSO算法是一种基于群体的具有全局寻优能力的优化方法。将模糊C均值聚类量化算法和PSO算法结合起来,把模糊C均值聚类量化算法的聚类准则函数作为PSO算法中的粒子适应度函数。仿真实验表明,新算法在均方根误差和峰值信噪比评判准则下能够得到最优的量化结果。     

Fuzzy clustering with nonlinearly transformed data

The Fuzzy C-Means (FCM) algorithm is a widely used objective function-based clustering method exploited in numerous applications. In order to improve the quality of clustering algorithms, this study develops a novel approach, in which a transformed data-based FCM is developed. Two data transformation methods are proposed, using which the original data are projected in a nonlinear fashion onto a new space of the same dimensionality as the original one. Next, clustering is carried out on the transformed data. Two optimization criteria, namely a classification error and a reconstruction error, are introduced and utilized to guide the optimization of the performance of the new clustering algorithm and a transformation of the original data space. Unlike other data transformation methods that require some prior knowledge, in this study, Particle Swarm Optimization (PSO) is used to determine the optimal transformation realized on a basis of a certain performance index. Experimental studies completed for a synthetic data set and a number of data sets coming from the Machine Learning Repository demonstrate the performance of the FCM with transformed data. The experiments show that the proposed fuzzy clustering method achieves better performance (in terms of the clustering accuracy and the reconstruction error) in comparison with the outcomes produced by the generic version of the FCM algorithm.     

一种协同的可能性模糊聚类算法

模糊C-均值聚类（FCM）对噪声数据敏感和可能性C-均值聚类（PCM）对初始中心非常敏感易导致一致性聚类。协同聚类算法利用不同特征子集之间的协同关系并与其他算法相结合,可提高原有的聚类性能。对此,在可能性C-均值聚类算法（PCM）基础上将其与协同聚类算法相结合,提出一种协同的可能性C-均值模糊聚类算法（C-FCM）。该算法在改进的PCM的基础上,提高了对数据集的聚类效果。在对数据集Wine和Iris进行测试的结果表明,该方法优于PCM算法,说明该算法的有效性。     

SELF-GENERATION FUZZY MODELING SYSTEMS THROUGH HIERARCHICAL RECURSIVE-BASED PARTICLE SWARM OPTIMIZATION

ABSTRACT

In this article, fuzzy modeling systems are automatically developed by Hierarchical Recursive-Based Particle Swarm Optimization (HRPSO). HRPSO, which contains Fuzzy C-Mean (FCM) clustering, Particle Swarm Optimization (PSO), and recursive least-squares technology, self constructs adjustable parameters for approximating a nonlinear function and a discrete dynamic system. In general, the heuristic PSO is an evolutional computing technology when solving complex and global problems. However, the necessary training time is unsuitable for large population sizes and many adjustable parameters. To quickly approximate the actual output of nonlinear functions, the input-output training data is initially clustered by an FCM algorithm. From there favorable features are extracted from the training data and some fuzzy structures with fewer adjustable parameters will be collected as the initial population of the PSO. The FCM procedure is used to directly extract necessary small populations of PSO from training samples. After that, the recursive-based PSO is proposed to tune some adjustable parameters to quickly construct the desired fuzzy modeling system. Therefore, the proposed HRPSO determines fuzzy modeling systems with a small number of fuzzy rules to approach high accuracy within a short training time. Simulation results demonstrate the efficiency of our fuzzy model systems to solve two nonlinear problems.     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,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。