基于WFCM算法在MRI图像分割中的应用

模糊C均值聚类(FCM)算法是一种基于非监督聚类算法。样本加权模糊C均值聚类(WFCM)算法是FCM算法的改进,该算法能够明显提高收敛速度和聚类的准确性。无论是FCM算法还是WFCM算法,对噪声都相对敏感,而且聚类数目仍然需要人工确定。在此提出一种改进算法,首先通过偏微分方程(PDE)降噪算法对原始脑MRI医学图像进行处理;其次利用聚类有效性确定最佳聚类数目,对WFCM算法进行改进;最后利用本文改进算法对图像进行聚类分割。实验表明,该方法是一种具有自动分类能力、抗噪性较好的模糊聚类图像分割算法。     

快速自动模糊C-均值聚类彩色图像分割算法

针对传统模糊C-均值（FCM）聚类算法计算复杂度高、无法自动确定聚类数目的问题,提出了一种快速自动FCM聚类彩色图像分割算法。首先通过改进的简单线性迭代聚类（SLIC）超像素算法预分割图像,将传统基于单个像素的聚类转化为基于超像素区域的聚类,降低FCM计算复杂度;其次利用改进的密度峰值算法自动确定聚类数目,提高算法灵活性;最后,对超像素图像进行基于直方图的FCM聚类,完成图像分割。为验证所提算法的有效性,采用BSDS500、AID和MSRC公共数据库作为实验数据集,并与其他4种FCM分割算法进行了比较。实验结果表明,所提分割算法在分割精准度、模糊分割系数、模糊分割熵和视觉效果等方面均优于其他几种比较算法。     

可能性模糊C-均值聚类新算法

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)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.     

基于模糊权和有效性函数的演化聚类算法

本文改进了Sheng的权和有效性函数,将XB、PE、PC和PBMF等模糊聚类有效性函数集成为一种新的模糊聚类有效性度量函数—模糊权和有效性函数FWSVF,从而提高了聚类有效性函数的性能.为了有效的实现聚类,将混合策略演化算法与传统的模糊C均值算法(FCM)相结合,将改进的模糊权和有效性指标作为适应度函数,提出了一种混合策略演化聚类算法MSECA.人工数据集和真实数据集的仿真实验表明,MSECA算法可以正确发现聚类簇的数量,避免了局部极值问题,比其他算法具有更好的性能.     

一种改进的FCM检索结果聚类算法研究

针对检索引擎返回的查询结果数量巨大,用户难以在较短的时间获取有用的信息,传统FCM聚类算法的距离无法完全准确描述文本间的相似程度,本文提出了一种新的文本间的距离定义,改进了模糊C均值聚类(FCM)聚类算法,利用新改进的算法对搜索引擎返回的结果进行聚类,方便了用户查询。实验证明了算法的可行性与有效性。     

基于类内差异和类间重叠的有效性函数

模糊C-均值(FCM)聚类算法的一个主要问题是需要事先确定聚类的数目,为此定义了类内差异度和类间重叠度来分别度量同一个聚类中数据的相似度和不同聚类间的分离程度,进而基于这两个度量提出一个新的有效性函数用于判定最佳聚类数目。实验结果表明,该有效性函数能有效地判定聚类数目,并且有较好的鲁棒性。     

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路:改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS):首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

关于FCM算法中的权重指数m的一点注记

模糊c均值算法(FCM)是经常使用的聚类算法之一.使用模糊c均值算法时,如何选取模糊指标m一直是一个悬而未决的问题.部分文献根据实验结果建议最佳的权重指数可能位于区间 ,但大多数研究者使用m=2.本文阐述了FCM算法有效性与聚类有效性之间的理论联系,指出如果某个权重指数使得FCM算法作为聚类算法不能有效工作,则其不能作为最佳的权重指数.据此,我们进行了数据实验,数据实验结果说明了权重指数的最佳取值未必位于区间 .     

大数据中数据挖掘模型的模糊改进聚类算法

在大数据的数据挖掘模型中,普遍采用模糊聚类算法进行数据分析。常用的模糊C均值聚类算法即FCM聚类算法,具有较多明显缺点,如抗噪性偏低、收敛速度慢、聚类数目无法自动确定等。常用的增量式模糊聚类方法通常在原有的以一个中心点为集群代表的基础上,改为选取多中心点进行增量式聚类算法的分析。但是,通过这样的算法进行数据分析也存在一定的问题,主要表现在其中心点选择是固定的,灵活性很差。基于以上原因,文中将对原有基础算法做出改进,主要对大数据中数据挖掘模型的增量型模糊聚类算法做出分析,经实践验证,改进后算法切实可行,普适性较强。     

改进模糊聚类算法在客户关系管理软件中的应用

本文考虑到现有CRM的局限性,引入了模糊数学相关算法,给数据对象的隶属度加上一个权值,以及在算法中用有效性函数来自动确定聚类数目C,理论分析与实验结果表明,在CRM环境下所引入的改进模糊聚类算法比传统模糊聚类算法有更好的聚类效果,更快的聚类速度。     

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。     

基于新的AFCM算法的陀螺仪漂移预测

为克服模糊规则提取的盲目性和随机性,提出了一种基于新的自适应模糊C-均值聚类(AFCM)算法的T-S 模糊建模方法.首先利用减法聚类来确定聚类数目的上限和初始聚类中心,然后采用改进的模糊C-均值聚类(FCM).算法进一步优化聚类中心,最后通过聚类有效性评判方法自适应地确定规则数及聚类中心,同时改进的FCM算法也克服了野...     

簇间可分的鲁棒模糊C均值聚类算法

与经典的K均值聚类算法相比,模糊C均值(FCM)聚类算法通过引入模糊因子,考虑不同聚类数据簇之间的相互关系,得到可分性更好的聚类结果。但是模糊因子的引入,使得任意一个样本点都存在模糊性,造成FCM极易受到噪声和离群点的影响,聚类结果泛化性能较差。因此,该文提出一种簇间可分的鲁棒FCM算法(RBI-FCM)。RBI-FCM利用K均值算法对模糊隶属度的稀疏特征,降低不同数据簇之间的相互作用,突出不同数据簇相邻区域的可分性;另外,RBI-FCM在极小化数据簇内部散布度的条件下,考虑不同数据簇之间的可分性,可提高聚类模型的泛化性能。该文设计了有效的模型求解迭代算法。实验结果表明,RBI-FCM算法提高了FCM的鲁棒性,有效降低FCM对数据簇分布差异性和抽样不均衡的敏感性,得到理想的聚类结果。     

一种自适应的模糊C均值聚类算法

本文首先介绍了模糊C均值聚类算法及其不足。在模糊C均值聚类算法的基础上,结合有效性函数,提出了一种自动聚类算法——自适应的模糊C均值聚类算法,并建立了自适应的模糊C均值聚类算法的研究模型。最后,对改进算法用MATLAB进行编程实现,并通过多组数据集进行实验测试,对产生的多种实验结果进行分析,验证自适应的模糊C均值聚类算法可以实现自动类别数的判定。     

基于学习自动机的改进FCM聚类算法及应用

模糊C均值（Fuzzy C-Means,FCM）聚类算法存在过度依赖初始聚类中心,且未充分考虑隶属度矩阵变化趋势对聚类性能影响的缺陷,针对FCM存在的问题,提出了一种基于学习自动机的改进FCM聚类算法。算法改进了目标函数计算方式及隶属度矩阵,根据目标函数值以及平均类内距离的变化对智能体选择的行为进行奖励或者惩罚。通过UCI公共数据集以及工业生产中碳碳复合材料沉积炉生产数据进行实验,实验结果表明,相比K-means、FCM、IEWLFCM、LAC等几种已有聚类算法,在文中采用的实验数据集中,该文提出的基于学习自动机的改进FCM聚类算法在大多数数据集上准确率、FMI系数、JC系数均有所提升。     

基于模糊聚类遗传算法的图像分割方法研究

图像分割是图像处理和图像分析的关键步骤,在图像工程中占据重要地位.模糊C均值聚类(FCM)算法是一种经典的模糊聚类分析方法,但其算法初始聚类原型是随机选取的,从而造成算法性能强烈地依赖聚类原型的初始化,将遗传算法强大的通用性应用于模糊聚类算法,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,选择适当的交叉率和变异率,最终实现基于模糊聚类遗传算法的图像分割.采用这种方法一方面能较好地解决模糊聚类对初始化敏感的问题,又能在一定程度上提高了分割速度.实验结果表明,该算法具有良好的分割效果.     

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ReliefF算法的特征加权FCM

为改善模糊C均值(FCM)聚类分析算法的性能,减少FCM聚类算法的误分率,提高FCM聚类算法的稳定性,提出了一种改进ReliefF加权FCM(IReliefF-WFCM)聚类算法。IReliefF算法改进了传统ReliefF算法的样本点选择方法,得到了更加稳定有效的特征权值。最后,将该IReliefF-WFCM算法用于数据集等实际数据的聚类分析。结果表明该方法是可行、有效的,为分类模式识别提供了一种误分率小的、稳定的方法。     

基于Jeffrey散度相似性度量的加权FCM聚类算法

针对模糊C均值(FCM)聚类算法在数据集下聚类效果差的情况,以及基于欧氏距离的相似性度量只考虑数据点之间的局部一致性问题,提出了基于Jeffery散度相似性度量加权FCM聚类算法(JW-FCM).引入源于Jeffery散度的相似性度量,首先,对于FCM算法进行特征加权,对数据的不同特征值赋予适当的权重,再将Jeffer...     

基于模糊聚类的SAR图像变化检测

利用两种模糊聚类算法即模糊C均值聚类(FCM)和Gustafson Kessel聚类(GKC),对SAR图像进行变化检测。差异图是根据不同时相图像的灰度值得到的,为了验证算法的有效性,实验选用两个不同地区的多时相图像,实验结果比较现存的马尔科夫随机场(MRF)和神经网络算法,不但耗用时间短,而且无需变化类和未变化类像素的任何先验分布信息。