基于数学形态学FCM聚类原型图像降噪方法

由传感器得到的图像往往含有大量噪声,针对目前常用的二维直方图算法在图像噪声检测与分离过程中存在的不足,以及传统FCM聚类算法的特点,提出了一种基于数学形态学的FCM聚类原型初始化方法:首先基于数学形态学理论确定图像初始聚类点簇,然后运用FCM对点簇进行处理。理论分析与实验表明,该方法能有效消除图像中的噪声点,对均匀噪声背景下图像处理有一定的应用价值。

非均衡原型结构模式模糊聚类方法研究

针对传统FCM算法通常只能检测大小近似相等呈球形或椭球分布的样本子集,而对样本结构、类型、密度分布不均衡的数据集聚类效果不理想等问题,提出一种基于原型初始化的样本隶属度分配方法.首先运用数学形态学理论对聚类原型初始化以获得模糊聚类的原型先验知识,在此基础上设计一种样本隶属分配方法进行样本聚类.理论分析和实验表明,该方法不但可以解决样本集内原型结构差异悬殊的数据集聚类问题,而且具有求解速度快、易于实现等优点.

一种增强的K-prototypes混合数据聚类算法

针对K-prototypes算法处理混合数据时精度不高等问题,提出了一种增强的K-prototypes混合数据聚类算法(An Enhanced K-prototypes Mixed Data Clustering Algorithm,EKPCA).首先定义了一种新的距离计算公式,扩大了数据之间的差异性,有利于对簇边缘数据进行合理划分;其次选取较多初始原型来覆盖数据的整体信息;最后迭代消去多余原型,得到数据集的真实分类.在8个UCI数据集上对算法进行评测,实验结果表明EKPCA算法有较高聚类精度.

稳定的K-多均值聚类算法

指定K个聚类的多均值聚类算法在K-均值算法的基础上设置了多个次类,以改善K-均值算法在非凸数据集上的劣势,并将多均值聚类问题形式化为优化问题,可以得到更优的聚类效果。但是该算法对初始原型敏感,且随机选取原型的方式使聚类结果不稳定。针对上述问题,提出一种稳定的K-多均值聚类算法,并对该算法的复杂度与收敛性进行了简要讨论。该算法先基于数据样本的最邻近关系构造图,根据图的连通分支将数据分为若干组,取每组数据的均值点作为初始原型,再用交替迭代的方法对优化问题进行求解,得到最后的聚类结果。在人工数据集和真实数据集上的实验表明,该算法具有更稳定更优越的聚类效果。