近邻样本密度和隶属度加权FCM算法的遥感图像分类方法

针对FCM算法具有对数据集进行等划分趋势的缺陷,利用样本本身的近邻分布特性,提出近邻样本密度加权FCM(NSD-WFCM)、近邻样本隶属度加权FCM(NSM-WFCM)以及近邻样本密度和隶属度加权FCM(NSDM-WFCM)算法,并应用于遥感图像分类。对比FCM算法,NSD-WFCM、NSM-WFCM和NSDM-WFCM算法的总体分类精度和Kappa系数分别提高了5.67%、7.50%和11.17%;8.50%、11.25%和16.75%。实验结果表明:这些加权方法都在一定程度上克服了FCM算法的缺陷,提高了遥感图像的无监督分类能力,其中,NSM-WFCM算法的分类性能优于NSD-WFCM算法的分类性能,NSDM-WFCM算法分类性能最好。

改进加权FCM用于裂纹蛋2D图像分割的研究

解决裂纹鸡蛋图像灰度直方图目标与背景区域分布模糊、图像分割效果差的问题。通过将包含空间信息的二维直方图和改进特征加权FCM算法有机结合,迭代寻求最佳聚类有效性函数和加权矩阵,实现鸡蛋图像缺陷分割。同时,对经典FCM和改进特征加权FCM算法的性能进行了分析比较。结果表明:提出的算法更接近于真实聚类中心,目标函数值亦得到改善;二维直方图的改进特征加权模糊聚类算法更好地提取了裂纹鸡蛋图像的细节信息,图像分割效果好。

基于加权FCM聚类算法的电力市场主体价值细分

随着参与市场化交易的市场主体数目的日益增多,市场主体进行价值细分对电力交易中心提供优质、有效的服务具有重要作用。考虑到传统单一的聚类算法在确定评价指标权重上的主观性,结合电力交易中心的工作目标和市场主体的历史交易等数据,建立电力市场主体价值评价指标体系,在指标体系的基础上对电力市场主体进行聚类分析,提出加权FCM聚类算法,并通过实例验证该算法的有效性。运用该算法对某电力交易中心981个市场主体进行聚类分析,并得到一组优化的特征权重矩阵,将市场主体分为高价值型、低价值型和成长型3类。最后总结不同类别市场主体的价值特点,并对电力交易中心如何优化服务资源提供建议。

加权FCM原型空间特征提取的高光谱图像分类

在原型空间特征提取方法的基础上提出一种基于加权原型空间特征提取的方法用于高光谱图像数据分类。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PSFE相比,w-PSFE对数据集大小的稳定性更高,同时在提取少量的特征用于高光谱图像数据分类时分类精度更高。

一种基于图像滤波的加权FCM图像分割算法

针对模糊C均值(FCM)图像分割算法受初始值影响较大以及对噪声的抑制作用较差的问题,提出一种基于图像滤波的加权FCM图像分割算法.该算法采用快速FCM算法进行初分割,降低了初始值的影响,同时引入自适应中值滤波器,并与加权FCM算法相结合进行迭代滤波分割,不仅能很好地抑制噪声的影响而且能使分割更精确.利用该算法分别对人工合成的和真实的含噪图像进行分割实验,实验结果表明:本文算法对含噪图像有很好的分割结果.

基于样本和特征加权FCM的交通状态识别

利用交通量、速度、占有率等交通参数进行聚类识别道路交通状态,参数样本及特征对聚类结果具有不同的作用。为改进传统FCM聚类假定数据样本及特征同等重要的缺陷,选取交通量、平均速度、空间占有率3个交通参数,划分交通状态为自由流、拥堵流和阻塞流,提出基于样本和特征双加权FCM的交通状态识别方法,采用拉格朗日乘数法动态更新隶属度、样本与特征权值,进一步设计双加权FCM聚类算法。实例分析表明,与传统FCM聚类结果对比,双加权FCM聚类交通状态划分边界更清晰,样本隶属度函数值接近0/1的数量增加7%,计算效率提高1.6倍,交通状态识别结果更符合实际运行状态。

基于加权FCM聚类算法的电力交易数据动态提取模型

海量、冗余的电力交易数据极大地阻碍了电力交易决策,为此,研究基于加权FCM聚类算法的电力交易数据动态提取模型。汇聚预处理电力交易数据,压缩数据体量,基于全排列理论排序处理电力交易数据,提取电力交易数据特征(波动性、趋势性与变动性特征)作为FCM聚类算法的加权依据,获得对应的加权矩阵,应用加权FCM聚类算法聚类提取需求的电力交易数据,实现电力交易数据的动态提取。实验数据表明,该模型获得的电力交易数据聚类参数DBI数值较小,DVI数值较大,电力交易数据动态提取时间较短,应用性能更佳。

特征加权的模糊C聚类算法

参照文献[5]中将K-means聚类算法与特征权重优化相结合的方法,推导出FCM聚类算法与特征权重优化相结合的优化迭代公式,形成加权FCM算法。将加权FCM算法中计算聚类均值项的公式代入到计算隶属度的更新公式和特征权重的更新公式中,得到加权FCM扩展算法。由于这个扩展算法消去了均值项,它对于有序属性和无序类别属性的隶属度和特征权重的更新公式具有统一的形式,因此可以很方便地应用到混合属性数据集的加权聚类分析中来。该算法的收敛性分析与FCM类似,算法迭代结束后能给出一组优化的特征权重值。仿真实验结果与WKMeans算法的结果基本一致,说明该方法在优化混合属性数据集的特征权重时是有效的。

基于加权模糊聚类算法的变压器故障诊断方法

三比值法在变压器故障诊断中得到了广泛的应用,但是此方法存在编码不连续的问题,同时注意到不同样本在模糊C均值(fuzzy C-means,FCM)算法中所起到的作用差异,根据样本间相异度的思想,为每个样本赋予相应的权值,体现它们对聚类结果的不同影响,将加权FCM聚类算法应用到三比值法中进行变压器故障诊断,另外在聚类的开始,考虑到变压器故障诊断的实际情况,对算法的初始化隶属度也进行了更适当的设置。实验结果表明,经过以上修改得到的基于加权模糊聚类算法的变压器故障诊断方法有效可行,和FCM算法相比,不但能明显提高故障诊断的收敛速度,而且能得到更加接近实际位置的故障聚类中心,具有一定的优越性。

传感器网络中航迹关联的加权模糊聚类算法

提出一种基于特征加权的模糊聚类算法用于传感器网络中的航迹关联．该方法首先将分布式多传感器获得的航迹进行数据同化，然后通过同步采样将所有航迹映射为高维空间中的一组点集，最后通过特征加权的模糊C均值（FCM）聚类算法实现航迹的分类关联和信息融合．在聚类算法中通过ReliefF算法实现了特征权值的自动确定，自适应地考虑了不同时刻航迹位置对数据关联的不同影响．实验结果表明本文提出的航迹关联算法不仅具有良好的关联效果，而且通过特征的自适应加权提高了信息融合质量．

改进的模糊聚类方法在R&D资源分类中的应用

传统的FCM算法没有考虑不同属性对分类效果的影响和大小不同的问题,文章从特征贡献平衡原则和类间分离度最大原则两个方面考虑,得到样本各维属性有差异的权重系数,进而给出了带有权重的FCM算法,并将这一改进的模糊聚类方法应用到湖北省12个市、区R&D资源划分分析中,结果表明改进的模糊聚类分析方法在应用中可以取得更好的效果。

一种新的图像边缘检测方法

图像边缘检测的传统方法一般仅基于边缘邻域的一阶或二阶导数,为了克服特征单一的缺陷,提出了一系列多特征的边缘检测算法,这类方法往往采用标准FCM聚类算法来达到边缘检测的目的,但是标准FCM聚类算法在类间数据量相差较大时容易产生错分,因此对图像中边缘点少而非边缘点多的特征数据库进行聚类分析,会产生一定的偏差,使图像的检测质量下降。对此该文提出了一种新的图像边缘检测算法,利用加权FCM算法代替标准FCM对特征矢量数据集进行分类,克服了上述问题,取得了较好的边缘检测效果。仿真实验也证明了新算法的有效性。

基于GIS的路网关键节点辨识研究

为提升陆军部队地面力量投送方案决策筹划和机动投送能力,基于地理信息系统(GIS)提出一种辨识路网关键节点的方法,并以A市为例,基于节点介数、节点度、PageRank值3项指标建立评价体系,利用K-means算法和熵权法的加权FCM算法得出路网关键节点辨识结果。

基于改进FCM算法和贝叶斯分类的图像自动标注

为跨越高层语义概念与底层视觉特征之间的语义鸿沟,本研究提出一种新的图像自动标注方法。该方法首先采用灰度直方图方法对图像分割并提取图像区域的纹理特征,然后利用FCM算法中增大关联度高的特征权重更好地实现对分割后图像区域的聚类效果。最后改进贝叶斯分类器建立图像区域和语义概念间的关联模型,通过比较测试图像和训练图像间的最大相似度实现测试图像的自动标注。在Corel通用图像数据集上与其他几种方法进行了对比实验,实验结果表明改进后的标注方法优于传统标注方法。

基于对应分析的冗余模糊C均值聚类算法研究

针对模糊C均值聚类(FCM)算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇(非凸)采用加权FCM算法分割成多个小类(冗余类),从而规避FCM算法对初始聚类中心敏感的弱点.由于隶属度划分矩阵的元素是每个样本隶属于各冗余类的隶属度值,因此将其作为各冗余类的类特征,通过对应分析得到冗余类的新特征,再次采用加权FCM算法进行冗余类合并,最后达到分类效果.以代表曲线分割和曲面分割分类问题的3个典型数据集为算例,结果表明该方法能够识别不规则的簇,解决了FCM算法对初始聚类中心敏感的缺陷.