带特征权重的混合特征模糊C均值算法

针对模糊数据,Hathaway提出了模糊C均值算法(FCM);针对符号数据,El-Sonbaty和Ismail提出了符号数据模糊C均值算法(FSCM);Miin-ShenYang等人对FSCM进行了改进,提出了混合特征的模糊C均值算法(MVFCM),MVFCM比FSCM更有效更具有实用性。在MVFCM的基础上,给出了带特征权重的混合特征的模糊C均值算法(WMVFCM),并通过实验比较,说明WMVFCM比MVFCM更有效。

基于模糊C均值算法的多层次网络安全态势感知方法

当前的多层次网络安全态势感知节点设置形式一般为独立的,感知效率较低,导致安全态势平均绝对误差增加,为此提出基于模糊C均值算法的多层次网络安全态势感知方法。测试结果表明,所设计的模糊C均值算法多层次网络安全态势感知测试组最终得出的安全态势平均绝对误差被较好地控制在0.2以下,优于对照组。

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数c进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。

基于改进模糊C均值算法的电力负荷特性分类

为了提高负荷分类的精确性和有效性,提出了将基于模拟退火遗传算法的模糊C均值(Simulated Annealing Genetic Algorithm Based Fuzzy C-Means,SAGA-FCM)算法用于电力系统负荷特性分类。SAGA-FCM算法以模糊C均值(Fuzzy C-Means,FCM)算法为基础,融合了模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,克服了传统FCM算法对初始聚类中心敏感和容易陷入局部最优的问题。将其与系统聚类法、K均值(K-Means)算法和传统FCM算法分别用于电力系统负荷特性分类实验,对比分析表明了SAGA-FCM算法用于负荷特性分类的有效性和优越性。

基于混合距离学习的双指数模糊C均值算法

提出了一种基于DI-FCM(double indices fuzzy C-means)算法框架的无监督距离学习算法——基于混合距离学习的双指数模糊C均值算法HDDI-FCM(double indices fuzzy C-m eans with hybrid distance).数据集未知距离度量被表示为若干已有距离的线性组合,然后执行HDDI-FCM,在对数据集进行有效聚类的同时进行距离学习.为了保证迭代算法收敛,引入了Steffensen迭代法来改进计算簇中心点的迭代公式.讨论了算法中参数的选择.基于UCI(University of California,Irvine)数据集的实验结果表明该算法是有效的.

基于模糊C均值算法的类合并聚类算法研究

针对FCM(Fuzzy C-Means)算法对于初始聚类中心敏感,并只适合于发现球状类型簇的缺陷,提出采用冗余聚类中心初始化的方法降低算法对初始聚类中心的依赖,并先暂时将大簇或者延伸形状的簇分割成用多个小类表示,再利用隶属度矩阵提供的信息合并相邻的小类为大类,对FCM算法进行改进。实验结果显示改进的FCM算法能够在一定程度上识别不规则的簇,并减小FCM算法对初始聚类中心的依赖。

运用改进模糊C均值算法的复杂产品功构单元模块划分方法

为了解决目前已有聚类方法在复杂产品功构单元模块划分过程中存在的问题,提出了一种基于改进模糊C均值算法(D-FCM)的产品功构单元模块划分方法。该方法运用距离矩阵生成样本分层聚类树,结合F统计量方法确定模糊C均值算法最佳聚类数,在此基础上,应用模糊C均值算法进行聚类分析,获得聚类结果。最后,结合实际项目给出该聚类方法在机床模块划分过程中的典型应用,对该方法进行实例验证。以此为基础,开发出机床模块划分系统平台。系统实现及设计结果表明了所提出方法的有效性,为面向配置设计的机床模块划分提供了另一种有效的模块划分方法。

MapReduce模型下的模糊C均值算法研究

针对模糊C均值算法需要不断迭代来计算样本数据的隶属度值以及聚类中心的特点,利用MapReduce模型解决海量数据下的模糊C均值问题,进而提出高效的模糊C均值算法。在Map阶段和Reduce阶段分别完成隶属度和聚类中心的计算,每次迭代都需要启动一次完整的MapReduce执行过程。通过多次迭代计算出隶属度值以及聚类中心,并更新聚类中心文件,供下一轮作业使用,重复执行这一过程直至得到最终聚类结果。实验结果表明,该算法能够有效减少MapReduce计算过程中的迭代次数,从而提高整体执行效率。

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上,提出一种基于加权模糊C均值算法方案。该方案通过加权模糊C均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比,该方案在相对较小的数据集下,具有较为理想的稳定性,较高的分类精度,大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。

论模糊C均值算法的模糊指标

模糊C均值算法 (FCM)是经常使用的聚类算法之一 .模糊指标m的选取对FCM的性能有重要影响 .但使用模糊C均值算法时 ,理论上如何选取模糊指标m一直是一个问题 .该文指出当一个数据被聚集成c个子类时 ,每个子类一般情形下应有不同的类中心 .据此作者通过研究FCM算法的收敛点集的性质 ,得到了FCM算法的平凡解的稳定性判据 ,由此证明了如何选取模糊指标m理论上依赖于数据本身 ,并给出了理论上选取模糊指标m的规则 .

基于改进的模糊C均值算法的MR图像分割

在利用模糊C均值算法(FCM)对磁共振图像进行分割的基础上,提出了一种改进的模糊分割技术。实验结果表明,该方法与FCM算法相比,不仅能够更为准确地分割出人脑组织中的各个部分,同时运行速度也有明显提高。

半监督中心最大化模糊C均值算法

在模式识别领域内,对于数据的分析方法一般分为:有监督的学习方法及无监督的学习方法。而这两类方法均与实际应用不符,一般生产所获之数据既不可能毫无信息可知又不可能全部信息已知。此外,由于实际生产的干扰因素过多导致所获之数据样本信息通常包含一些干扰信息,这些数据对传统的分析方法影响较大,其中尤以聚类方法最为敏感。针对以上两大问题,以经典的无监督聚类算法FCM算法为基础,通过引入半监督性质的隶属度补偿项以及减弱干扰点影响的中心最大化项构造出了新的聚类算法称之为半监督中心最大化模糊C均值算法,简称SCM-FCM。通过在UCI数据集上的仿真实验结果表明该算法较之于传统的无监督聚类分析方法有着更好的应用价值。

基于模糊c均值算法文档聚类问题的研究

应用模糊c均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.

基于改进模糊C均值算法的网络入侵检测研究

近年来,随着大数据技术的快速发展,大数据处理平台迅速兴起。大数据处理平台具有高吞吐量、网络协议多、端口多、数据量大、高并发等特征,借助传统入侵检测技术很难实时监控网络危险。为提高网络入侵检测的准确率和实时性,笔者提出一种改进模糊C均值算法,对分类后的数据集进行训练,使用Kafka技术处理采集的数据,通过Spark Streaming读取网络实时传输的数据流,并对检测到的入侵数据进行实时检测。

核模糊C均值算法的类别间可分性优化

随着的计算能力的不断提高和计算机体系结构的可编程性,将向着多核,众核的异质形核的方向继续发展。针对这一问题,本文对KFCM算法的类别间可分性优化进行了分析,通过对于FCM算法的数据集C划分、FCM算法和HCM算法的理论知识,解释了KFCM算法,对于样本的特征进行优化,将高维特征空间内的数据映射到内核函数中,将样本的有益特征扩大,到达快而准的聚类效果。经过仿真测试显示,KFCM算法模型聚类效果可以准确区分二者。

基于改进模糊C均值算法的电力电子电路故障诊断

针对目前电力电子电路故障诊断方法存在的缺陷,结合模糊聚类分析方法,采用改进模糊C均值算法,对Cuk电路故障进行分析,使之不仅达到更好的分类效果,同时还适用于样本分类不均衡的聚类问题,具有较高的诊断率和较低的误诊断率,且故障诊断的时间比较短,为电力电子电路故障的初期诊断和故障数据处理提供了一个有效的方法和途径。

改进模糊C均值算法在民族服饰图像分割中的应用

以少数民族服饰图像为分割对象,结合块截断算法设计思想,提出一种基于空间邻域的模糊C均值图像分割算法。利用方块截断编码理论将图像RGB颜色空间分量截断为6个分量,通过六维特征向量对民族服饰图像进行特征表示,将其作为算法输入进行聚类分割。实验结果表明,该算法在分割精度、划分系数和划分熵3个量化指标上的性能均优于FCM,FCM_S1和FCM_S2算法,对民族服饰图像的分割效果较好,尤其表现在对民族服饰具有代表性的特征元素区域分割上。

基于厚度特征模糊C均值算法的膀胱肿瘤疑似区域三维分割方法研究

目的:使用模糊C均值算法对膀胱壁厚度特征进行聚类,有效地分割出三维膀胱肿瘤疑似区域。方法:获取膀胱MRI数据,应用Level Set分割算法对膀胱内、外壁进行分割,然后计算膀胱壁的三维厚度,通过对膀胱壁厚度聚类得到三维肿瘤疑似区域。结果:由该方法分割得到的疑似区域比较准确,与临床放射医师勾画的肿瘤区域有90%以上的重叠率。结论:该方法可有效地分割出三维膀胱肿瘤疑似区域,具有一定的有效性,但尚需要采集更多的数据来进行验证。

改进自适应模糊C均值算法在负荷特性分类的应用

模糊C均值(FCM)算法是一种用于电力负荷特性分类的有效方法。针对传统FCM算法易陷入局部最优且对初始条件敏感的问题,文中提出了基于微分进化(DE)自适应优化的改进措施。相对于FCM算法的梯度最速下降寻优策略,改进算法利用DE多点随机并行搜索,对控制参数及非最优个体进行自适应调整,具有全局搜索能力强、鲁棒性高的特点。实际算例仿真表明,所述算法降低了负荷特性分类对初始值的依赖度,在不同聚类数目的条件下仍具有良好的性能,适用于实际电网滚动规划等对负荷特性分类精度要求更高的领域。

用于分割无损检测图像的快速模糊C均值算法

无损检测图像中目标类和背景类差异较大,模糊C均值算法无法有效地将目标分割出来,因此提出一种用于分割无损检测图像的快速模糊C均值算法。在聚类过程中,引入局部空间信息和灰度信息,以提高算法的鲁棒性;用条件值表征样本容量来平衡不同大小的类群,以解决类大小敏感问题;基于新的约束条件得到新的隶属度和聚类中心表达式,并给出算法具体步骤;对预处理后图像的灰度级进行分类,图像分割所需要的时间不再取决于图像的尺寸,而是图像的灰度级数,大幅度降低了算法的时间复杂度。采用类大小差异较大的合成图像和无损检测图像进行仿真实验,以分割精度(SA)、F-value、G-mean以及图像分割所需要的时间为评价指标来评价算法的性能。实验结果表明:在原始测试图像被高斯噪声、椒盐噪声、瑞利噪声和乘性噪声污染时,与其他模糊聚类算法相比,本文算法具有更好的鲁棒性,分割精度更高,为97.93%,F-value为88.50%,G-mean为93.83%,图像分割时间也更少,为14.06 ms。实验证明了本文算法的有效性。