基于特征选取的局部模糊聚类算法研究

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能,提出一种基于特征选取的模糊局部信息C均值聚类算法.在现有的模糊局部信息C均值聚类算法基础上,对其目标函数的局部邻域约束项添加邻域隶属度约束,并将特征选取的思想引入该目标函数,并利用KL散度作为正则项因子,获得一种新的鲁棒模糊聚类算法.对算法迭代所获得的像素隶属度进行...     

基于模糊聚类和粒子滤波目标跟踪算法研究

针对非线性的目标跟踪采用了基于模糊聚类和粒子滤波的混合跟踪算法,取得了优于卡尔曼滤波跟踪的良好效果.首先利用模糊C均值聚类算法对采集的数据进行基于目标的隶属度的分类,然后利用粒子滤波算法对目标进行位置估计.仿真结果表明:非线性视频跟踪中混合算法对目标的跟踪效果要好于卡尔曼滤波算法,降低了跟踪误差.     

基于多源交配选择策略的重组算子与多目标优化研究

本文提出了一种基于多源交配选择的多目标进化算法(Multi-source Mating Selection based Multi-objec-tive Evolutionary Algorithms,MMSEA).在MMSEA算法中,谱聚类被用来挖掘种群规则特性,基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索,通过为每个个体设置多个交配选择源,在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明,所提重组算子可以有效提升算法性能,将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明,MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.     

融合混沌优化和改进模糊聚类的图像分割算法

基于邻域广义模糊聚类算法能够分割含噪声灰度图像,但是如果图像灰度分布不均衡或者起始的聚类中心设置不合适仍会导致该算法分割失败,为此,提出一种基于混沌优化和改进模糊聚类算法相融合的图像分割算法.首先,将每一类的隶属度之和引入基于邻域广义模糊聚类算法的目标函数中,从而能够均衡较大类和较小类对目标函数的贡献.其次,以新目标函数为基础,利用拉格朗日乘子法推导出相应的隶属度和聚类中心.再次,将混沌优化和改进模糊聚类算法联合得到最优解,即最合适的聚类中心,细节上,每一代的聚类中心分别由混沌系统和改进模糊聚类算法两种路径产生,具有较小目标函数的聚类中心进入下一个迭代进程.最后,利用具有不平衡特性的无损检测图像进行实验,结果表明本文算法具有更高的分割准确率和更好的视觉效果.     

基于免疫优势的克隆选择聚类算法

 基于克隆选择原理和免疫优势理论,本文提出一种新的基于免疫优势的克隆选择聚类算法（Immunodomaince based Clonal Selection Clustering Algorithm,IDCSCA）,该算法通过在经典的克隆选择算法框架中,引入基于免疫优势理论的免疫优势算子实现了在线自适应动态获得先验知识和个体间的信息共享。新算法首先通过对群体中若干最优抗体的分析,提取免疫优势,然后将其推广到整个抗体群,通过在进化过程中利用积累的先验知识,在保证抗体种群多样性的基础上加快收敛速度。采用个5个数据集对算法性能进行了测试,与模糊C均值算法（Fuzzy C-means, FCM）、基于遗传算法的模糊聚类算法(Genetic Algorithm based Fuzzy C-means, GAFCM)以及基于克隆选择的模糊聚类算法（Clonal Selection Algorithm based Fuzzy C-means, CSAFCM）比较,结果表明IDCSCA能有效避免聚类中心迭代过程中陷入局部最优点的问题,而且聚类性能更稳定。     

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。     

改进的基于灰度级的模糊C均值图像分割算法

基于灰度级的模糊C均值算法是一种快速的图像分割算法。因为无损检测图像灰度分布不均衡,该算法不能有效分割图像中的目标与背景,故提出一种改进的基于灰度级的模糊C均值算法(IFCMG)。首先,利用灰度级像素数和隶属度构造类的总隶属度表达式并将其融入目标函数中以均衡化目标像素和灰度像素对目标函数的贡献。接着,推导基于新目标函数的隶属度和聚类中心。然后,考虑到类的密度也会影响聚类结果,设计类的紧密度表征形式并将其融入聚类进程。最后,采用无损检测图像进行分割实验。对于每幅图像,本文算法具有较高的F_value指标值。利用综合评价公式对所有F_value值进行评价,本文算法综合评价值比对比算法分别高出26.13%,16.46%,13.75%,25.10%。本文算法能够有效分割具有灰度分布不均衡特征的无损检测图像,扩展了基于灰度级的模糊C均值聚类算法的应用范围。     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

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。     

基于模糊局部信息C均值的太赫兹图像目标检测

为了克服返波管太赫兹连续波成像系统所获取图像存在的对比度低、干涉条纹强等缺陷,较好地区分出目标和背景,避开不规则干涉条纹的干扰,采用基于模糊局部信息C均值的聚类算法用于目标检测,并针对太赫兹图像性质,对其中的隶属度函数进行了改进。结果表明,新的聚类分割算法适用于具有不规则条纹干扰下的太赫兹连续波图像,能较好地提取出图像中的目标,较经典图像聚类算法具有更好的目标检测精度。     

马尔可夫化的多尺度FCM在影像分割中的应用

为了同时处理影像分割问题中的随机性与模糊性,提出了一种多尺度(MR,multi-resolu-tion,马尔可夫随机场(MRF,markov random field)模型下的模糊C均值(FCM,fuzzy C-means)聚类分割算法(MR-MRF-FCM)。利用FCM算法能够处理影像模糊性的优点、MRF模型描述空间关系的长处以及小波的多尺度分析的优点,先对影像进行多尺度小波分解,并对小波系数建立MRF,进而用MR-MRF中的条件概率矩阵代替FCM算法的隶属度矩阵。实验结果从视觉效果和定量指标两方面表明,本文方法优于经典的MRF、多尺度MRF、FCM和核FCM等方法。     

CONSIDERING NEIGHBORHOOD INFORMATION IN IMAGE FUZZY CLUSTERING

Fuzzy C-means clustering algorithm is a classical non-supervised classification method. For image classification, fuzzy C-means clustering algorithm makes decisions on a pixel-by-pixel basis and does not take advantage of spatial information, regardless of the pixels' correlation. In this letter, a novel fuzzy C-means clustering algorithm is introduced, which is based on image's neighborhood system. During classification procedure, the novel algorithm regards all pixels' fuzzy membership as a random field. The neighboring pixels' fuzzy membership information is used for the algorithm's iteration procedure. As a result, the algorithm gives a more smooth classification result and cuts down the computation time.     

Enhanced kernel-based fuzzy local information clustering integrating neighborhood membership

To enhance the segmentation performance and robustness of kernel weighted fuzzy local information C-means (KWFLICM) clustering for image segmentation in the presence of high noise, an improved KWFLICM algorithm aggregating neighborhood membership information is proposed. This algorithm firstly constructs a linear weighted membership function by combining the membership degrees of current pixel and its neighborhood pixels. Then it is normalized to meet the constraint that the sum of membership degree of pixel belonging to different classes is 1. In the end, normalized membership is used to update the clustering centers of KWFLICM algorithm. Experimental results show that the proposed adaptive KWFLICM ( AKWFLICM) algorithm outperforms existing state of the art fuzzy clustering-related segmentation algorithms for image with high noise.     

基于FCM的分块自适应图像分割方法研究

基于模糊C均值聚类（FCM）的图像分割是应用较为广泛的图像分割方法之一,但是传统的模糊C均值聚类算法都是基于欧氏距离的,对于图像中的噪声是十分敏感的。针对这一局限性,提出一种基于FCM的分块自适应图像分割方法。该方法不仅考虑了噪声不均匀分布对分割结果的影响,而且充分考虑了图像像素的灰度信息和空间信息。通过对含有噪声的自然图像和合成图像的分割试验,我们可以得到,与传统的FCM图像分割算法相比,本文方法能显著提高含有噪声图像的分割质量。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

基于最大熵直觉模糊核聚类的目标跟踪算法

为了提高杂波环境下目标跟踪的正确关联率和实 时性,本文提出一种基于最大熵直觉 模糊核聚类的目标融合跟踪算法。先通过密度函数法确定初始聚类中心,再通过加入核函数 和放松对隶属度的限制,并且通过样本加权给离群点和样本点不同的权值,从而可以减少离 群点和噪声点的干扰,最后通过直觉指数引入直觉模糊集,得到改进后隶属度矩阵,以隶属 度矩阵作为关联概率进行目标与观测的关联,并用卡尔曼滤波进行目标模型的更新,提高目 标跟踪的正确关联率和实时性。实验表明,本文算法相对传统的模糊C均值聚类算法可以提 高目标正确关联率3%左右,并且在算法耗时方面平均减少了0.1 s,相 对于最大熵模糊C均值 聚类算法可以提高目标正确关联率1.9%左右,算法耗时平均减少0.4 s,表明本文算法在提 高目标跟踪正确关联率并增加算法实时性拥有更好的效果。     

Classification of multispectral images based on a fuzzy-possibilistic neural network

In this paper, a new Hopfield-model net based on fuzzy possibilistic reasoning is proposed for the classification of multispectral images. The main purpose is to modify the Hopfield network embedded with fuzzy possibilistic C-means (FPCM) method to construct a classification system named fuzzy-possibilistic Hopfield net (FPHN). The classification system is a paradigm for the implementation of fuzzy logic systems in neural network architecture. Instead of one state in a neuron for the conventional Hopfield nets, each neuron occupies 2 states called membership state and typicality state in the proposed FPHN. The proposed network not only solves the noise sensitivity fault of Fuzzy C-means (FCM) but also overcomes the simultaneous clustering problem of possibilistic C-means (PCM) strategy. In addition to the same characteristics as the FPCM algorithm, the simple features of this network are clear potential in optimal problem. The experimental results show that the proposed FPHN can obtain better solutions in the classification of multispectral images.     

基于粒子群模糊C均值聚类的快速图像分割

模糊C-均值聚类算法是一种无监督图像分割技术,但存在着初始隶属度矩阵随机选取的影响,可能收敛到局部最优解的缺点。提出了一种粒子群优化与模糊C-均值聚类相结合的图像分割算法,根据粒子群优化算法强大的全局搜索能力,有效地避免了传统的FCM对随机初始值的敏感,容易陷入局部最优的缺点。实验表明,该算法加快了收敛速度,提高了图像的分割精度。     

基于区间二型T S模糊系统的压电迟滞特性建模

为了辨识压电驱动器中固有的迟滞特性,提出了一种基于区间二型Takagi Sugeno(T S)模糊系统的建模方案。首先,引用垂直距离公式替换传统的误差计算公式,使聚类算法与所辨识的超平面结果直接相关联,并提出了改进的区间二型模糊C回归模型(FCRM)聚类算法用于模糊空间的划分,提高了区间划分精度。其次,针对超球型高斯隶属度函数与超平面型聚类算法结构不匹配的问题,引入了与超平面相匹配的超平面隶属度函数完成模糊前件参数的辨识,并利用最小二乘法完成模糊后件参数的辨识。最后,利用上述方案完成了压电驱动器迟滞特性的建模。实验结果证明该方案是有效的。