模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

一个改进的模糊聚类有效性指标

聚类有效性指标既可用来评价聚类结果的有效性,也可以用来确定最佳聚类数。根据模糊聚类的基本特性,提出了一种新的模糊聚类有效性指标。该指标结合了数据集的分布特征和数据隶属度两个重要因素来评价聚类结果,提高了判别的准确性。实验证明,该指标能对模糊聚类结果进行正确的评价,并自动获得最佳聚类数,特别是对类间有交叠的情况能够做出准确判定。     

模糊C均值算法的聚类有效性评价

模糊C均值( FCM)聚类算法最终形成的聚类质量会受到初始值的设定、簇的个数选定及参数选择等多方面因素的影响。文中对最近发表的5种代表性聚类有效性指数在不同的数据维数、聚类个数和参数等条件下对FCM的聚类有效性评价结果进行对比分析。实验结果表明基于类内紧致度和类间离散度比值的聚类有效性指数对数据维度及噪声较为鲁棒,基于隶属度的聚类有效性指数不适于高维数据等,上述结果可帮助研究人员在不同的应用环境下选择合适的模糊聚类有效性函数。     

结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

结合蚁群聚类算法的模糊 C 均值聚类

模糊 C 均值(FCM)聚类算法采取随机选取聚类中心的方法,这种方法使得 FCM 算法在局部范围内容易获得最优解,但在全局范围内效果较差,且 FCM 算法中聚类簇的个数一般需要人为设定.面对上述种种问题,文中将蚁群聚类算法和 FCM 聚类算法进行结合,获得了一种改进的 FCM 聚类算法.该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给 FCM 算法进行再次聚类.利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷.经过实验验证,该算法较一般 FCM 算法具有更好的性能.     

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。     

快速模糊C均值聚类的图像分割方法

模糊C均值(FCM)聚类算法广泛应用于图像的自动分割,但标准的FCM算法存在计算量大,运算速度慢等问题。对FCM算法进行改进,提出了一种快速FCM图像分割算法(FFCM),该算法将图像从像素空间映射到其灰度直方图特征空间,并在此基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,实验结果表明该算法能快速有效地分割图像,并具有较好的抗噪能力。     

改进的模糊C均值的增量聚类算法

针对FCM算法的缺点,提出了一种基于改进的FCM的增量式聚类方法。该算法首先对模糊C均值算法进行加权,并将权系数归一化,然后将改进的算法与增量式聚类算法结合。改进的方法既提高了FCM算法的性能,避免了FCM算法的缺陷,并能够实现增量式聚类,避免了大量的重复计算,并且不受孤立点的影响。实验表明该算法的有效性。     

一种改进的模糊C均值聚类算法

针对数据集中若存在孤立点或者是噪声数据会影响模糊C均值聚类算法(FCM)的聚类性能问题,本文将离群点的辨认方法与FCM算法相结合,提出一种改进的FCM聚类算法。该算法有效地降低了孤立点或噪声数据对正常数据的影响,提高了FCM算法的聚类精度。将该算法在入侵检测系统中进行实验验证,通过与FCM算法进行对比分析,证明了该算法的有效性和可行性。     

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。     

改进的模糊C-均值聚类算法研究

为解决模糊C-均值（FCM）聚类算法对噪声和孤立点数据敏感、样本分布不均衡的问题,提出了具体的改进和提高的方法：改进隶属度函数,以消除孤立点对聚类结果的影响;为每个样本点赋予一个定量的权值,以区分不同的样本点对于知识发现的不同作用,改善噪音和分布不均衡的样本集的聚类结果。实验结果表明该算法具有更好的健壮性和聚类效果。     

改进的模糊C-均值聚类算法

为了克服模糊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,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。     

基于模糊相关度的模糊C均值聚类加权指数研究

在极小化模糊C均值（FCM）聚类目标函数的过程中,针对目前模糊加权指数m的确定缺乏理论依据和有效评价方法的问题,提出了一种基于模糊相关度的模糊加权指数计算方法。首先定义模糊相关度的聚类有效性函数,然后通过Gauss迭代计算FCM聚类有效性并将其反馈到模糊加权指数的变化中,从而使m收敛到一个稳定的最优解。理论分析和实验结果表明,该算法是有效的,所得到加权指数m符合预期的结果。     

模糊C-均值聚类算法的优化

针对传统模糊C-均值聚类算法（FCM算法）初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法（Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法）。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。     

笛卡尔乘积下的FCM聚类研究

针对于模糊c-均值（FCM）算法在初始聚类中心选取不佳的情况下容易产生聚类错误划分的情况,从FCM算法出发提出了一种基于笛卡尔乘积的FCM聚类算法（C-FCM）,并分析了加权指数m对聚类分析的影响。C-FCM将聚类提高到更高维的空间,有效地避免了FCM 对初值敏感及容易陷入局部极小的缺陷。客运专线列控（TCC）评估测试项目对C-FCM的检验结果表明,与传统FCM算法相比,C-FCM算法更准确,效果更佳,对解决邻站数据包的划分问题是可行、有效的。     

模糊C均值与支持向量机相结合的增强聚类算法

针对传统重复聚类算法精度不高、消耗资源较大的缺点,提出了一种模糊C均值(FCM)与支持向量机(SVM)相结合的增强聚类算法。该算法思路是先将实例数据集利用FCM粗分为C类,然后使用SVM再对每一类进行细化分类,实现中提出了基于完全二叉树的决策级联式SVM模型,以便达到增强聚类的目的。针对使用FCM迭代聚类的过程中有可能会出现新的特征使原有的聚类失去平衡性的问题,提出了使用划分的思想对数据集进行预处理来消除这种不利影响。利用鸢尾属植物真实数据集对相关算法进行实验对比分析,结果表明该算法能够克服精度低的缺点,并节约了系统资源,可以提高聚类的质量。