基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于FCM和EO-SVM水轮机尾水管压力脉动特征识别

为有效识别水轮机尾水管压力脉动特征,提出了一种基于模糊C均值聚类、平衡优化器算法与支持向量机的识别方法。该方法首先采用平衡优化器算法优化SVM的惩罚因子和核函数以获得更好的SVM参数组合,构建EO-SVM识别模型以实现其在水轮机尾水管压力脉动特征识别中的应用。然后采用模糊C均值聚类算法将待分类的压力脉动特征进行初始聚类,将其分为四类,并依据聚类结果选择最靠近每类中心的样本作为EO-SVM模型的训练样本。将SVM和EO-SVM两种模型的识别分类结果进行比较,验证了所提EO-SVM模型的有效性。

基于FCM-LSTM的光热发电出力短期预测

对光热电站的出力进行短期预测,可以有效应对太阳能随机性和波动性带来的影响,为电网调度做好准备.该文以青海某光热电站为例,首先使用模糊C均值聚类算法对预处理后的实验数据进行分类,然后通过分析不同聚类类型下出力和气象数据中各因子间的关联程度,充分挖掘出数据间的关系,确定不同类型预测模型的输入变量,进而构建出不同类别下的长短期记忆神经网络预测模型.结果表明,与传统长短期记忆神经网络模型、BP神经网络模型、支持向量机模型和随机森林模型的预测结果相比,基于模糊C均值聚类的长短期记忆神经网络预测模型效果良好,大幅减少了预测误差,验证了该预测模型的有效性.

基于MS-FCM算法的船体板熔池图像处理技术

熔池的图像处理与特征提取技术是船舶熔化极气体保护焊(gas metal arc welding, GMAW)智能化焊接质量监控的重要内容,针对船体板GMAW焊接过程中的烟雾大、飞溅多等不稳定特性导致熔池图像采集模糊、边缘提取困难等问题,提出一种基于均值漂移(mean shift, MS)优化模糊C均值聚类(fuzzy c-means, FCM)的图像处理算法.在优化设计焊接动态视觉传感系统中,以最大化保证图像信息采集清晰度的基础上,利用MS算法获取超像素图像以解决FCM算法对噪声的敏感性,同时在FCM算法上引入加权邻域窗口,以增强MS-FCM算法的鲁棒性,来克服烟雾、飞溅、弧光等噪声影响,进而完成图像分割与边缘提取.最后,设计出关于FCM、空间约束模糊C均值聚类(fuzzy c-means with spatial constraints, FCM_S)、加强型模糊聚类(enhanced fuzzy c-means, ENFCM)和模糊局部信息C均值聚类(fuzzy local information c-means clustering, FLICM)算法的4种不同图像处理方法,并与MSFCM优化模型进行边缘分割效果对比,获取几种方法所提取的熔宽,验证熔池几何特征的提取精度.结果表明,MS-FCM算法在船舶焊接熔池图像处理方面能有效抑制噪声干扰,平滑信息,达到较高的提取精度.

基于GAIFWFCM和TFNs的协同过滤算法

针对传统推荐系统中使用离散评分未能合理表达用户偏好的问题,将遗传算法引入优化特征加权模糊C均值,通过梯形模糊聚合相似目标用户,提出基于遗传算法的优化加权模糊C均值聚类融合梯形模糊数的协同过滤模型。通过遗传算法进行增强初始聚类中心,利用优化加权模糊C均值聚类融合梯形模糊数,分析类内与类间属性特征关系,实现用户精细划分,合理过滤推荐。在两组数据集中以MAE和RMSE作为评估指标进行实验,实验结果表明,所提算法在与其余6种算法对比中分类误差更低,对用户意愿识别更加清晰。

基于改进FCM和PSO-SVM的焊接缺陷识别

为实现海洋工程钢结构件焊接接头缺陷的客观、智能化分类,本文以其数字射线检测图像作为研究对象,进行基于改进的模糊C均值聚类算法(FCM)和粒子群优化支持向量机(PSO-SVM)的缺陷识别研究。首先,基于限制对比度直方图均衡化去除原始图像中干扰噪声,引入像素点加权系数ω改进FCM进行图像分割;然后,基于灰度共生矩阵提取图像纹理特征,利用主成分分析法进行特征数据降维,将粒子群优化与支持向量机分类相结合进行参数寻优,建立纹理特征与缺陷类型间的连续变量分类模型;最后,以多人工综合完全正确的评价结果验证缺陷识别模型的有效性和准确性。结果表明:所训练的识别模型准确率为96.11%,经验证其识别准确率约为95.2%。与未经限制对比度自适应直方图均衡化(CLAHE)增强的模型、反向传播(BP)神经网络模型对比,该模型可以很好地实现常见缺陷的识别,且误差小,可应用于船用钢数字射线焊接缺陷识别领域。

FCM测站定权的LAGEOS-2卫星精密定轨影响分析

由于卫星激光测距(satellite laser ranging, SLR)台站的测距精度和稳定性存在差异,精密定轨中需要对不同性能的台站赋予不同权重。本文将模糊C均值(fuzzy C-means, FCM)聚类定权应用于LAGEOS-2精密定轨,并比较原始测站定权和FCM定权对轨道精度的影响。结果表明:1)相较于原始测站定权,FCM定权更能反映各SLR台站的性能,提高定轨精度和观测值数量;2)对于ILRS四个质量分析机构,原始测站定权下JCET发布的质量报告在定轨精度上略优于其他中心,采用FCM定权后,以4个机构发布的质量报告进行定轨的结果在同一水平,轨道精度为4.83~4.86 cm。

基于VMD和FCM的火箭发动机涡轮泵状态监测方法

面向重复使用火箭发动机的状态监测与故障诊断需求,针对振动信号的非平稳性和难以提取有效故障特征的问题,提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和模糊C均值聚类(Fuzzy C-Means, FCM)的状态监测方法。采用优化VMD算法自适应地将振动信号分解为多个本征模态分量(Intrinsic Mode Function, IMF),根据加权相关样本熵最大准则选取关键IMF分量;利用t分布随机近邻嵌入(t-SNE)对关键IMF分量的多维时域、频域特征降维,得到特征向量矩阵;利用模糊C均值聚类算法实现发动机工作状态的监测。将该方法应用于发动机涡轮泵工作状态监测,结果表明其能够提取振动信号关键特征,准确识别涡轮泵工作状态,测试集识别准确率达92.50%,为火箭发动机状态监测与故障诊断提供了理论支撑。

基于改进FCM-LSTM的光伏出力短期预测研究

受制于外界气象条件和设备性能损失等多方面因素的影响,光伏电站的发电功率呈现出很强的波动性和随机性,精确的光伏出力预测对光伏电站的运营管理和电网的调度运行至关重要。针对传统模糊C均值聚类算法(FCM)无法自主确定聚类数以及欧氏距离在高维数据分类上的不足,在传统FCM的基础上引入自适应因子和加入余弦距离作为样本分类指标,确定与待预测数据相似程度最高的历史样本簇集,创新性地提出一种基于改进FCM和长短期记忆(LSTM)神经网络的短期光伏出力组合预测模型。在云南某光伏电站的应用结果显示,对比其他预测模型,所提方法的历史样本分类效果更佳,发电功率预测精度更高,验证了该方法的有效性与优越性。

基于AVMD与DPC-FCM的旋转机械无监督故障诊断方法

目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。

基于FCM-PSO-FWA算法的多个菜鸟驿站选址方法

聚焦社区内多个菜鸟驿站选址问题,通过融合多种机器学习方法,设计出能有效解决多个菜鸟驿站选址问题的算法,并运用算例仿真验证所提算法的有效性。首先根据取件方式建立基于0-1整数规划的菜鸟驿站选址模型;接着运用模糊C均值(Fuzzy C-means,FCM)聚类算法将一个多菜鸟驿站选址问题划分成多个单一菜鸟驿站选址问题;然后将烟花算法(Fireworks Algorithm,FWA)融入粒子群算法(Particle Swarm Optimization,PSO),解决传统PSO算法易陷入局部最优解的问题;最后将所提FCM-PSO-FWA算法应用于随机生成不同规模需求点的菜鸟驿站选址和江南大学菜鸟驿站选址中。算例结果表明:在任意数量的需求点条件下,FCM-PSO-FWA算法能有效地解决多个菜鸟驿站的选址问题,并且不会陷入局部最优解,从而验证了该算法的可行性和有效性。

结合非局部空间信息和KL信息的鲁棒FCM算法

针对传统模糊C均值(Fuzzy C-Means,FCM)聚类算法对噪声敏感的问题,提出一种结合非局部空间信息和KL信息的鲁棒FCM算法.首先,将灰度信息与非局部空间信息相融合,用于增强算法对噪声的鲁棒性;其次,在目标函数中引入KL信息,以便减少分割的模糊性.在密度为5%的混合噪声条件下,合成图像和自然图像的实验结果表明,该文算法的分割精度较高、鲁棒性较强,能较好地分割噪声图像.

基于属性权重的Fuzzy C Mean算法

提出CF-WFCM算法,该算法分为属性权重学习算法和聚类算法两部分.属性权重学习算法,从数据自身的相似性出发,通过梯度递减算法极小化属性评价函数CFuzziness(w),为每个属性赋予一个权重.将属性权重应用于Fuzzy C Mean聚类算法,得到CF-WFCM算法的聚类算法.CF-WFCM算法强化重要属性在聚类过程中的作用,消减冗余属性的作用,从而改善聚类的效果.我们选取了部分UCI数据库进行实验,实验结果证明:CF-WFCM算法的聚类结果优于FCM算法的聚类结果.函数CFuzziness(w)不仅可以评价属性的重要性,而且可以评价属性评价函数的优劣.实验说明了这一问题.最后我们对CF-WFCM算法进行了讨论.

融合FCM-RBF的短时交通拥堵状态预测模型

针对高速公路常发性拥堵路段,提出一种融合模糊C均值聚类算法和径向基函数神经网络的短时交通拥堵状态预测模型。模型基于FCM聚类算法获取历史交通流的拥堵状态标签以及不同交通状态的聚类中心;基于RBF神经网络算法实现短时交通流参数预测。将RBF神经网络预测得到的短时交通流参数代入FCM聚类结果中,得到短时交通拥堵状态标签。通过交通流参数与交通状态的隐含关系,搭建出融合模型的基本计算架构。结果表明:FCM聚类算法训练后的分类结果更加稳定有效;RBF神经网络比对照方法具有更高的预测精度,预测相对误差基本低于1.2%;建立的FCM-RBF模型对短时交通拥堵状态预测的分类正确率达到95%,预测结果准确可靠。

基于MSPCNN与FCM的红外与可见光图像融合

针对红外和可见光图像融合存在的轮廓信息不全、边缘及纹理细节信息缺失等问题,提出一种改进简化脉冲耦合神经网络(Improved Simplified Pulse Coupled Neural Network, MSPCNN)和模糊C-均值(Fuzzy C-mean, FCM)图像融合算法。首先,将红外和可见光图像用非下采样剪切波算法(NonSubsampled Shearlet Transform,NSST)分解为高低频子带;然后对分解后的高频子带采用MSPCNN融合,用一种高斯分布权重矩阵进行处理,增强细节信息和对比度;接着,将得到的低频子带图像使用FCM聚类算法进行聚类中心提取,设置聚类中心近似阈值简化过程,实现背景分类提取;最后利NSST进行逆变换,从而完成红外和可见光的图像融合过程。通过客观评价指标计算,本文所提方法在平均梯度、标准差、平均相似度等参考指标上相对于其他同类型算法均有改善提高,由于模型参数的简化,算法运行速度相对于其他算法得到提升,算法更适用于复杂场景。

融合FCM和TFNs的协同过滤推荐算法

针对推荐算法中的稀疏性问题和传统推荐系统中使用离散评分,用户对物品的喜好程度只能通过5个等级来选取,用户对物品的偏好程度是模糊的且5等级评分不能合理表达用户的喜好,提出一种结合模糊C均值(Fuzzy C-Means, FCM)和梯形模糊数(Trapezoidal Fuzzy Numbers, TFNs)的协同过滤算法。首先,在传统的模糊C均值算法上融合遗传算法,将遗传算法的搜索结果作为模糊C均值的初始聚类中心,以其克服传统FCM搜索极易陷入局部最小值点的缺陷;然后,引入梯形模糊相似度模型,将离散评分数转化为梯形模糊数以此来计算用户相似度,从而利用模糊分数预测估计进行推荐;最后,选取MAE和RMSE作为评估指标,在Movielens数据集中进行实验,实验结果显示所提算法在与其余四种算法对比中预测误差更低,精确度更高,有效提高了推荐质量,也证明了该算法对于稀疏性问题有一定程度上的缓解,表明了该算法的有效性。

结合k-means的自动FCM图像分割方法

针对图像分割中模糊C均值算法(FCM)无法自动确定聚类中心,不考虑像素邻域信息的问题,提出一种结合k-means的自动FCM图像分割方法。该方法先由图像的灰度直方图确定聚类数目,使用一种改进的快速FCM方法产生初始聚类中心。即通过一步k-means算法对大隶属度灰度更新模糊聚类中心,同时仅对小隶属度灰度使用快速FCM方法进行隶属度更新,迭代后得到初始聚类中心。利用改进隶属度的FCM算法进行最终聚类。实验表明,该方法获取初始聚类中心接近最终值,加速图像分割,并对噪声具有一定的鲁棒性。

ALLIED FUZZY c-MEANS CLUSTERING MODEL

A novel model of fuzzy clustering, i.e. an allied fuzzy c means （AFCM） model is proposed based on the combination of advantages of fuzzy c means （FCM） and possibilistic c means （PCM） clustering. PCM is sensitive to initializations and often generates coincident clusters. AFCM overcomes this shortcoming and it is an ex tension of PCM. Membership and typicality values can be simultaneously produced in AFCM. Experimental re- suits show that noise data can be well processed, coincident clusters are avoided and clustering accuracy is better.

一种改进的 Fuzzy c-means 聚类算法

该文提出了一种改进的ｆｕｚｚｙｃ－ｍｅａｎｓ算法（ＭＦＣＭ）。此算法是将传统算法（ＦＣＭ）直接对样本集聚类变为对特征集聚类，从而极大提高了ｆｕｚｚｙｃ－ｍｅａｎｓ的速度。证明了ＭＦＣＭ与ＦＣＭ在分类效果上的等价性，且ＭＦＣＭ较ＦＣＭ有较低的时间复杂性，讨论了ＭＦＣＭ与ＦＣＭ空间复杂性的关系。最后数值实验证实了结论。

Fuzzy C-Means算法中隶属度信息在特征空间的分布特性分析及改进方法

首先推导了ＦｕｚｚｙＣ－Ｍｅａｎｓ算法在特征空间的迭代公式，然后就其隶属度信息在特征空间的分布缺陷提出两种改进方法：一是通过引入选择注意性参数控制隶属度信息的分布；二是从条件概率出发构造类置信度取代原隶属度．实验表明这两种方法均起到了较好的效果．