基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值（FCM）聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法.该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果.实例分析证明了算法的有效性和实用性.     

模糊C-均值聚类算法改进研究

通过对模糊C-均值聚类算法的研究,用遗传算法的相关知识对其进行优化与改进.并使用著名的IRIS数据集分别对传统的模糊C-均值聚类算法和用遗传算法改进后的模糊C-均值聚类算法进行测试、比较.实验结果表明,用遗传算法改进后的模糊C-均值聚类算法比传统的模糊C-均值聚类算法更加准确、高效.这将为以后的聚类分析研究工作提供一定的帮助.     

基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

一种改进的模糊C-均值聚类算法

分析了现有FCM聚类算法存在的问题,提出了一种改进的FCM聚类算法.该算法引入了最近邻聚类算法来初始化FCM算法的聚类数和聚类中心.实例分析表明改进后的FCM算法不仅能提高聚类的准确性,而且能有效地避免陷入局部最优.     

基于蚁群算法的模糊C均值聚类医学图像分割

在医学图像分割研究中,针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,提出了一种基于蚁群算法的模糊C均值聚类图像分割算法. 该算法首先利用蚁群算法全局性和鲁棒性的优点,得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,弥补了传统FCM聚类算法的不足,得到了较好的分割效果. 实例分析证明了算法的有效性和实用性.     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

织物性能的遗传模糊C均值聚类算法

为了解决传统模糊C均值算法(FCM)依赖初值、易于陷入局部极值的问题,设计实现了一种遗传模糊C均值聚类算法(GFCM),该算法以模糊聚类中心矩阵为优化变量,将FCM算子引入遗传算法中以增强遗传算法的寻优能力,对聚类中心施加进化扰动以寻找最优聚类;描述了FCM和GFCM的基本流程,通过一个织物性能聚类评价例子对比了两种方法的性能,证明了GFCM的优越性.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

基于特征加权的模糊聚类算法研究

模糊聚类分析是非监督模式分类的一个分支,在模式识别中有着重要的地位。在FCM算法中,考虑到样本矢量中各维特征对模式分类的不同影响,本文引入一种基于特征加权的模糊聚类算法,该算法考虑了各维特征对分类的贡献不同,从而对数据进行了更有效的分类。     

相对熵模糊C均值聚类分割算法

针对模糊C均值聚类分割算法无法获得复杂图像的细节信息问题,提出一种相对熵模糊C均值聚类分割算法。该算法利用划分隶属度构造相对熵,对传统模糊C均值聚类进行正则化约束,将其作为正则化因子添加到传统FCM的目标函数,得到新的聚类目标函数。通过拉格朗日乘子最优化推导,得到新的隶属度和聚类中心的迭代更新表达式。实验结果表明,该算法对于图像与背景灰度相近的复杂图像可以清晰的分割出图像的轮廓,也比FCM方法获得更多的图像细节信息。     

基于蚁群模糊聚类算法的图像边缘检测

提出了一种基于蚁群动态模糊聚类算法的图像边缘检测,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了FCM算法对初始化的敏感,动态地确定了聚类数目和中心;然后利用蚁群聚类得到的结果,再进行FCM聚类弥补蚁群算法的不足.两者有机结合起来可以寻求到具有全局分布特性的最优聚类,实现了基于改进的目标函数聚类分析.最后将该算法应用到图像边缘检测,对比实验表明,该算法具有很强的模糊边缘和微细边缘检测能力.     

基于差分粒子群和模糊聚类的彩色图像分割算法

彩色图像数据信息量较大,传统的模糊C均值聚类算法（FCM）在分割时更加容易受到初始聚类中心影响陷入局部极值．文中研究了一种融合差分演化、粒子群和模糊均值聚类的彩色图像分割算法（DEPSO—FCM）．利用差分演化算法的快速收敛特性、粒子群算法的全局搜索能力,解决模糊均值聚类图像分割时易受到初始聚类中心影响和陷入局部最优的问题。同时针对不同的色彩空间对于图像分割效果的影响,尝试在不同的空间上使用DEPSO-FCM进行图像分割．实验表明,该方法能解决FCM算法陷入局部最优的问题,在不同的色彩空间上都获得了理想的分割效果．     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

一种基于信息熵的自适应遗传算法

为解决传统遗传算法容易早熟及收敛速度慢的缺陷,在分析了多样性的重要性后,提出了一种新的基于信息熵的遗传策略,该策略在保留最优个体的基础上,根据当前种群个体熵与种群熵的变化自适应调整遗传算子的各项参数,将种群的内部状态与遗传操作有机地结合起来,使得种群多样性得到保证,提高算法的全局搜索能力.试验结果表明了该方法在运行过程中能避免早熟的发生,在处理复杂问题时表现出较高的性能.     

Using genetic algorithm based fuzzy adaptive resonance theory for clustering analysis

In the clustering applications field, fuzzy adaptive resonance theory system has been widely applied. But, three parameters of fuzzy adaptive resonance theory need to be adjusted manually for obtaining better clustering. It needs much time to test and does not assure a best result. Genetic algorithm is an optimal mathematical search technique based on the principles of natural selection and genetic recombination. So, to make the fuzzy adaptive resonance theory parameters choosing process automation, an approach incorporating genetic algorithm and fuzzy adaptive resonance theory neural network has been applied. Then, the best clustering result can be obtained.Through experiment, it can be proved that the most appropriate parameters of fuzzy adaptive resonance theory can be gained effectively by this approach.     

基于核方法的模糊聚类算法

将核方法的思想推广到模糊C-均值算法,构造了基于核函数的模糊核C-均值算法,使其能够聚类非超球体数据、被噪声污染数据、多种模式原型混合数据、不对称数据等多种数据结构,并指出一阶多项式模糊核C-均值算法等价于模糊C-均值算法．人工和实际数据的实验结果表明,与模糊C-均值算法相比,模糊核C-均值算法在多种数据结构条件下可以有效地进行聚类．     

Fuzzy clustering based load balancing algorithm with feature weighted

Focusing on the data fusion problem of various loads, a fuzzy clustering based load balancing algorithm with feature weighted is proposed. First of all, various system resources are considered as dimensions for load metrics, and features for different dimensions are weighted so as to quantify comprehensive loads; then, this algorithm introduces fuzzy clustering, optimizes weight constraints, and adds penalty terms. Hence, the most suitable objective node cluster for load transferring is resolved through fuzzy clustering. Experimental results show that this algorithm can effectively fuse multidimensional load data and reduce standard deviation for node loads within the cluster by 21％ compared with existing algorithms.     

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。     

Neutrosophic fuzzy clustering segmentation algorithm based on HMRF

Considering neutrosophic C-means clustering algorithm with weak ability of suppressing noise, a neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is proposed. First, the hidden Markov random field is used to describe the prior information of the arbitrary pixels classification. Second, information divergence between the prior information and sample classification membership is taken as a regular term and embedded into the existing neutrosophic C-means clustering objective function. Third, the samples in the European Space is mapped into the high-dimensional space through the kernel function, and the iterative expression for the neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is obtained by the optimization method. Many standard, actual, and synthetic images corrupted by noise are used to validate the segmentation performance of the improved clustering segmentation algorithm. Experimental results show that the anti-noise performance of the proposed segmentation algorithm is improved significantly than the fuzzy C-means clustering algorithm based on the hidden Markov random field, and other fuzzy clustering segmentation algorithms.