一种基于密度的K-均值算法

针对传统的K-均值算法聚类时所面临的维数灾难、初始聚类中心点难以确定的缺点,提出一种改进的K-均值算法,其核心思想是通过降维、基于密度及散布的初始中心点搜索等方法改进K-均值算法。实验结果证明改进后的算法无论在聚类精度还是在稳定性方面,都明显优于标准的K-均值算法。     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。     

一种基于全局K-均值聚类的改进算法

全局K-均值聚类算法需要随机选取初始的聚类中心,本文基于K中心点算法的思想,将其作为全局K-均值聚类算法的初始聚类中心,并对全局K-均值聚类算法进行改进。依托人工模拟数据和学习库中的数据分析,对比两种算法的性能,得出改进算法聚类时间短,鲁棒性强的结论。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于密度加权的粗糙K-均值聚类改进算法

针对粗糙K-均值聚类算法中类均值计算式的特点,提出了一种改进的粗糙K-均值算法.改进后的算法基于数据对象所在区域的密度,在类的均值计算过程中对每个对象赋以不同的权重.不同测试数据集的实验结果表明,改进后的粗糙K-均值算法提高了聚类的准确性,降低了迭代次数,并且可以有效地减小孤立点对聚类的影响.     

混合聚类彩色图像分割方法研究

提出了一种基于K-均值算法和EM算法混合聚类的彩色图像分割方法。首先将待分割的RGB彩色图像转化成YUV空间模型,然后将该图像分割成n小块,对每个块的颜色分量用改进的K-均值聚类算法进行聚类分析,最后用EM聚类算法对每个块进行聚类,分割源图像。对K-均值算法和EM算法的初始聚类中心引进了改进算法,加快了算法的收敛速度。并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

一种用于文本聚类的改进二分K-均值算法

在已有聚类算法的基础上,提出了一种新的文本聚类新方法--合作二分K-均值算法(简称CBKM).该算法以K-均值算法和二分K-均值算法为基础,通过整体聚类、合作聚类和聚类融合3个阶段,对中间聚类结果进行再次划分,产生了具有更好聚类效果的集合.实验结果表明,合作二分K-均值算法的聚类性能优于K-均值算法和二分K-均值算法.     

基于子空间变量自动加权的K-均值文本聚类算法的研究

传统的K-均值算法聚类虽然速度快,在文本聚类中易于实现,但其同量地依赖于所有变量,聚类效果往往不尽如人意.为了克服这一缺点,提出一种改进的K-均值文本聚类算法,它在K-均值聚类过程中,向每一个聚类簇中的关键词自动计算添加一个权重,重要的关键词赋予较大的权重.经过实验测试,获得了一种基于子空间变量自动加权的适合文本数据聚类分析的改进算法,它不仅可以在大规模、高维和稀疏的文本数据上有效地进行聚类,还能够生成质量较高的聚类结果.实验结果表明基于子空间变量自动加权的K-均值文本聚类算法是有效的大规模文本数据聚类算法.     

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中，提出了一种核K-均值聚类算法，算法的主要思想是：首先将原空间中待聚类的样本经过一个非线性映射，映射到一个高维的核空间中，突出各类样本之间的特征差异，然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性，分别利用人工和实际数据进行K-均值聚类和核K-均值聚类，实验结果显示对于一些特殊的类分布数据，核K-均值聚类比K-均值聚类具有更好的聚类效果。     

基于可变染色体长度的遗传K均值聚类算法

针对传统K-均值聚类算法需要事先确定聚类数,以及对初始质心的选择具有敏感性,从而容易陷入局部极值点的缺点,使用了一种基于可变染色体编码长度的遗传算法对传统K-均值聚类进行改进.该算法可以在事先不确定K值的情况下,通过多次的选择、交叉.变异的遗传操作,最终得到最优的聚类数,以及最优的初始质心集.通过Reuters数据集的实验结果表明,基于该算法的聚类划分结果明显优于传统K-均值聚类算法,并且好过基于固定染色体编码长度遗传算法的K-均值聚类算法.     

电路板图像分割的K均值聚类算法研究

对电路板的图像进行分割,可以提取电路板中的目标物,以对电路板进行检测。文章使用K均值聚类算法完成对电路板图像的分割,针对传统的K均值聚类算法的不足,提出了使用直方图波形的有效波峰个数来确定K值的大小,并通过使用一种比传统的绝对误差的表示更简洁的表达式,达到了快速分割的目的。对一些电路板图像分割的实验结果表明,文章的方法能够根据目标物的数目有效的确定K值的大小,且比传统的K均值算法减少了运算量及计算时间。     

基于密度的K-Means算法及在客户细分中的应用研究

针对K-Means算法所存在的问题进行了深入研究,提出了基于密度的K-Means算法（KMAD算法）。该算法采用聚类对象区域空间的密度分布方法来确定聚类个数K的值,然后用高密度区域的质心作为K-Means算法的初始聚类中心。理论分析与实验结果表明了改进算法的有效性和稳定性,并将改进的算法应用于客户细分研究中。     

改进灰狼优化算法的K-Means文本聚类

针对K-Means算法在文本聚类过程中易陷入局部最优,造成文本聚类结果不准确的问题,提出了一种基于改进灰狼优化算法的K-Means文本聚类方法。在对文本数据进行分词、去停用词、特征提取以及文本向量化后,通过免疫克隆选择选出精英个体,并对精英个体进行深度探索以增加灰狼种群的多样性,避免早熟收敛现象的发生;将粒子群位置更新思想与灰狼位置更新结合,降低灰狼优化算法陷入局部极值的风险;与K-Means算法结合进行文本聚类。所提算法与K-Means算法、GWO-KMeans以及IPSK-Means算法相比,其准确率、召回率和F值平均都有明显提高,文本聚类结果更可靠。     

K-Means聚类算法和人工鱼群算法应用于图像分割技术

提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.     

基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。     

基于改进K—Means算法的车辆识别方法

车辆的检测和识别一直是道路监控、安全辅助驾驶、车辆自主导航等领域的重要研究内容。文中基于机器视觉方法,在Lab颜色空间通过对经典K—Means算法的聚类中心、聚类数和距离测度三方面的改进实现了L分量的聚类,从而达到图像分割的目的。提取图像的矩形度、Hu矩和Affine矩的特征,针对不同的车型建立各自的模板,利用改进Hu不变矩和仿射不变矩的组合不变矩对分割后图像进行车型的识别。实验结果表明,文中提出的方法对于复杂环境下的车辆检测和识别具有良好的可靠性和鲁棒性。     

A K-Means-Galactic Swarm Optimization-Based Clustering Algorithm with Otsu’s Entropy for Brain Tumor Detection

Image segmentation is a technique in order to segment an image into various parts and derive meaningful information out of each one. In this article, problem of image segmentation is applied on brain MRI images. This is done in order to detect and capture the location, size and shape of five different types of tumors. Here, image segmentation is viewed as an clustering problem and a new hybrid K-means Galatic Swarm Optimization (GSO) algorithm is proposed for effective solution. The Otsus entropy measure is used as the fitness function for deriving the segments. Extensive simulation studies with five performance measures on five different brain MRI images reveal the superior performance of the proposed approach over GSO, Real Coded Genetic Algorithm (RCGA), and K-Means clustering algorithms.     

基于最小割的极化特征图像分割

针对极化合成孔径雷达(SAR)所固有的斑点噪声很难分割出精确结果的问题,提出了一种基于图论的极化SAR图像分割方法。该方法结合极化SAR的多个极化特征, 用K均值聚类算法得到像素的初始标号,然后建立一个关于标号的能量函数并构造相应的网络,用最小割方法求取网络中全局能量函数的近似最优解,由此得到每个像素点的恰当标号,最终完成图像的准确分类。该方法与传统的分割方法相比,能够充分考虑极化SAR图像的全局信息和极化特征对图像进行精确的分割。实验结果证明,该算法具有较好的分割效果。     

基于K-means聚类方法的三维点云模型分割

提出采用K-means聚类分析方法对三维点云模型进行分割。论文指出,对于分布呈现类内团聚状三维点云模型,K均值聚类分割可以得到较好的结果。与三维网格模型的K均值聚类分割、点云模型的谱系聚类分割的实验结果比较证实了这一点。