采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于模糊C均值聚类的高铁动车组电缆终端局部放电识别

局部放电检测作为一种诊断车载电缆终端绝缘状态的有效手段,在列车实际运行环境中面临强干扰问题,为此文章提出了一种基于波形参数分析和模糊C均值聚类的车载电缆终端局放脉冲干扰分离策略。在实验室搭建了局部放电测试平台并采用高频电流法(HFCT)获取了电缆终端的局放信号和典型脉冲干扰信号,通过对脉冲单波进行包络处理,提取脉冲的3个参数作为特征向量,然后采用模糊C均值聚类方法对局放信号与脉冲干扰信号进行分离。试验结果表明,该方法能够有效地将局放信号与脉冲干扰信号分离,减小脉冲干扰信号对局部放电检测的影响,对提高局放手段评估车载电缆终端绝缘状态的准确性具有一定意义。

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于空间信息的鲁棒模糊C均值聚类的苗族服饰图像分割算法

针对苗族服饰图像中破损污渍、折叠痕迹、色彩差异大和噪声破坏等现象所导致的传统模糊C均值聚类(Fuzzy C-means,FCM)算法分割质量不佳问题,提出了基于空间信息鲁棒FCM算法,用于苗族服饰图像分割。通过均值滤波和中值滤波处理空间邻域信息,对应获得2种方法,并用一个加权参数调节模糊隶属度的稀疏性,旨在加强细节的提取和提高算法对噪声的鲁棒性。实验表明,对于被高斯噪声破坏的图像,基于均值滤波处理的改进算法,其划分系数提高约3.6%,划分熵降低约5.6%;对于被椒盐噪声破坏的图像,基于中值滤波处理的空间约束项的改进算法,划分系数提高约2.7%,划分熵降低约4.3%。该算法提高了对这类苗族服饰图像分割的质量,对于传统文化的传承具有非凡的意义。

基于耦合空间模糊C均值聚类和推土机距离的变化检测

在遥感影像变化检测领域中,当遥感影像受椒盐、高斯和混合噪声污染时,变化检测精度往往无法得到保证。虽然基于空间模糊C均值聚类的有监督变化检测算法能有效实现抗噪声变化检测,但是其人工训练成本和时间成本过高,在实时场景中无法大规模应用。对此,文章将5种空间模糊C均值算法分别与推土机距离(earth mover’s distance, EMD)耦合,实现了5种具有较好抗噪声能力的无监督遥感变化检测算法,能够保证噪声污染下的实时变化检测精度。实验证明,与最近提出的KPCAMNet和GMCD无监督变化检测算法相比,所提出算法能更好地处理受椒盐、高斯和混合噪声污染的遥感影像,具有一定的应用价值。

基于模糊C均值聚类的空—地—井垂直重力梯度数据反演方法

通过重力梯度数据三维反演能够获得地下密度结构模型,用于地质资源勘探等领域。航空、地面和井中观测的重力梯度数据含有不同频率的信息,通过数据联合可以降低反演多解性,提高成像分辨率。对于具有复杂形态的地下异常体,目前这种多尺度数据联合反演的纵向空间分辨率,尤其是异常体底部的成像分辨率有待提升。针对该问题,开展了航空—地面—井中垂直重力梯度数据的联合反演方法研究。首先,在正则化反演中引入模糊C均值聚类算法,通过在迭代过程中加入聚类约束降低多解性;其次,联合航空、地面和井中垂直重力梯度数据,提出一种联合反演方法,并使用GPU加速计算;然后,将反演应用于理论模型数据与美国文顿盐丘地区重力梯度数据,验证方法的效果,并讨论了井位置对结果的影响;最后,对基于GPU加速的并行反演方法进行性能分析。数据试验证明了模糊C均值聚类算法能够降低反演的多解性,通过联合反演能够获得准确的密度分布,该方法具有一定的抗噪能力;使用异常旁井和穿异常井数据的成像分辨率更高。计算的文顿盐丘地区密度分布与其他学者的结论相近,证明了方法是有效且可行的。试验还表明,GPU并行方法具有较高的加速比,提出的方法能够为地质找矿等研究提供技术支撑。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。

基于减法聚类与模糊c-均值的模糊聚类的研究

模糊c-均值算法在进行模糊聚类的时候对初始值非常的敏感,初始值设置得不好,就会陷入局部最优解。该文在使用模糊c-均值之前利用减法聚类对其设置初始值,不但能够获得最优解,还能加快收敛速度,并且自动获得最佳的聚类个数。

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法.该方法将从语音信号中提取的Mel频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模糊C-均值聚类算法进行修正,形成码本.识别时,对每一个待识别语音进行模糊聚类识别.仿真结果表明,该方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单.

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明:该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。

模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集:(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。再利用主成分分析将高维的三种光谱数据集压缩至低维。然后采用线性判别分析进行特征提取,将光谱数据投影到求得的鉴别向量上。最后分别采用FCM,FKCN和FKHKCN对茶叶、肉类和咖啡进行判别。最终结果如下:FCM,FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%,90.91%和93.94%;对肉类品种的聚类准确率分别为90.83%,0.00%和92.50%;对咖啡品种的聚类准确率分别为89.17%,89.17%和90.83%。以上实验结果表明:采用傅里叶红外光谱技术结合主成分分析、线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别,且鉴别准确率比FCM和FKCN更高,聚类结果更稳定。

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。

面向模糊C均值算法的MAME聚类有效性指标

聚类有效性指标可用来评估聚类结果的有效性,并且帮助判别聚类的类别数。现有的面向模糊C均值算法的聚类有效性指标存在对于类内紧致性的刻画不太到位、对于类间分离性的度量刻画不够准确的问题。为此,基于类内紧致性和类间分离性两个角度着手设计,提出了一种新的模糊聚类有效性指标——考虑最大值和均值的指标(maximum-mean,MAME)。首先,考虑了整个数据集的综合特征,计算分别分为K类和1类的情况的比值,提出了一种新的模糊紧致性度量表达式。其次,引入最大聚类中心距离和平均聚类中心距离,提出了一种新的分离性度量方法。最后,从模糊紧致性度量表达式、分离性度量方法出发,提出了MAME指标。面向5个UCI数据集和6个人工数据集,和9个聚类有效性指标(包括CH、DB、NPC、PE、FSI、XBI、NPE、WLI和I指标)一起进行了对比实验,验证了所提指标的准确性、稳定性,说明了MAME指标的鲁棒性较好。

基于相对熵改进模糊C均值聚类的溢流预警研究

钻井过程中溢流的早期发现非常重要,目前国内外基于人工智能的溢流预警模型普遍使用大量先验知识或训练数据,其准确性、实时性、可靠性完全受限于先验知识和训练数据,文章提出了基于相对熵改进模糊C均值聚类的溢流预警模型,采用相对熵理论改进模糊C均值聚类算法,克服传统模糊C均值聚类时聚类数目由用户主动给出的缺点,并结合溢流故障的发生与立压、套压的变化趋势具有相关性的特点,建立了早期溢流智能预警模型,实现对早期溢流的及时发现。通过对现场数据的仿真分析表明,该预警模型能够通过立压和套压的斜率变化及时准确地判断是否发生溢流。

基于改进犹豫模糊C-均值的图像分割

犹豫模糊C-均值(hesitant fuzzy C-means,HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性,但由于其目标函数中不包含任何局部空间信息,因此对噪声比较敏感,当噪声较大时无法获得较好的分割精度.针对上述问题,提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means,IHFCM)的图像分割方法.首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法,然后提出了犹豫模糊元之间的相似性度量,利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中,新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性,平衡噪声带来的影响且保留了图像细节.最后,在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明,所提出的IHFCM算法对噪声有良好的鲁棒性,提升了分割精度.

基于减法聚类改进的模糊c-均值算法的模糊聚类研究

针对模糊c-均值(FCM)聚类算法受初始聚类中心影响,易陷入局部最优,以及算法对孤立点数据敏感的问题,提出了解决方案:采用快速减法聚类算法初始化聚类中心,为每个样本点赋予一个定量的权值,用来区分不同的样本点对最终的聚类结果的不同作用,为提高聚类速度采用修正隶属度矩阵的方法,并将算法与传统的FCM相比。实验结果表明,该算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少、收敛速度快、具有较好的聚类结果。

地空协同场景下加权模糊聚类用户簇划分方法

为了解决应急通信场景下使用无人机作为空中基站进行辅助通信时涉及的无人机基站部署策略中的用户簇划分问题,在兼顾无人机基站性能和用户体验的条件下,提出一种基于特征加权的模糊聚类(Improved FCM)算法。首先,根据每个无人机基站的信号覆盖范围和最大服务用户数量的性能约束,针对随机分布条件下的用户簇在划分过程中算法计算量大不易收敛的问题,提出一种基于距离加权的特征加权节点数据投影算法;其次,针对同一用户处于多个簇有效范围内时用户划分的有效性和无人机基站资源的最大化利用问题,提出一种基于用户位置和无人机基站负载均衡的价值加权算法。实验结果表明,所提方法充分满足无人机基站的服务性能约束,且与几何分形法(GFA)、谱聚类(Sp-C)等算法相比,特征加权模糊聚类算法获得的平均负载率和覆盖比是最优的,分别达到了0.774和0.0263,因此,该算法可为应急通信场景下的用户簇划分问题提供一种可行的解决方案。

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化(PSO)算法全局寻优、快速收敛的特点,结合模糊C-均值(FCM)算法提出一种新的模糊聚类算法.新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极小的缺陷;同时也降低了FCM算法对初始值的敏感度.实验结果表明,与FCM相比本文算法聚类更为准确,效率更高.