区间二型模糊C均值聚类在图像分割中的应用

聚类分析是非监督模式识别的重要分支,模糊C均值聚类算法(FCM)是其中的一类经典算法,然而该算法以一型模糊集为基础,无法处理数据集以及算法中的不确定性,为此引入区间二型模糊C均值聚类算法(IT2FCM)。二型模糊集处理不确定性的能力强于一型模糊集,基于二型模糊集的IT2FCM在处理不确定性时效果优于FCM算法。文章以图像分割为应用对象,比较IT2FCM和FCM算法的分割效果,实验证明IT2FCM较传统FCM有更好的抗噪性。

近似质心在区间二型模糊聚类中的应用

针对现有质心求解算法仍具有较高计算复杂度,导致区间二型模糊C均值聚类算法(Interval Type-2 Fuzzy C-Means,IT2FCM)运行速度不理想问题,提出了半数迭代法和一次迭代法两种近似质心求解算法。首先,在直接求解转换点问题质心求解算法(A Direct Approach for Determining the Switch Points in the Karnik–Mendel Algorithm,DA)的基础上,借助二分查找思想,构造出基于二分查找的质心求解算法;接着,以该算法为基础,通过限制查找范围,考虑两个转换点之间关系的性质和计算差值的技巧得到半数迭代法;最后,考虑只进行一次查找得到一次迭代法。在UCI上的5个数据集上(IRIS、SEEDS、WINE、WIFI_LOCALIZATION和HTRU2)验证了两种算法的聚类性能并没有因为求解的是近似质心而降低;进一步在ANURAN CALLS数据集上构造了8组数据量递增数据用于验证基于不同质心求解算法的IT2FCM和基于提出的近似质心求解算法的IT2FCM运行速度,实验结果表明:基于近似质心求解算法的IT2FCM运行速度较快,所以提出的近似质心求解算法能够在一定程度上缓解IT2FCM复杂度过高的问题。

运用区间二型模糊集的半监督模糊聚类算法

将区间二型模糊集引入半监督聚类,提出一种运用区间二型模糊集的半监督聚类算法.该算法以区间二型模糊集为隶属度,将已标识样本的类别标签融入目标函数,使得聚类算法可以在已标识样本类别信息的引导下,得到合理的隶属度.实验表明,相比其他聚类模型,结合半监督机制和区间二型模糊集的聚类算法具有更好的聚类性能.

一种区间型数据的自适应模糊c均值聚类算法

针对区间型数据的聚类问题,提出一种自适应模糊c均值聚类算法。该算法一方面基于区间数的中点和半宽度,通过引入区间宽度的影响因子以控制区间大小对聚类结果的影响;另一方面通过引入一个自适应系数,以减少区间型数据的数据结构对聚类效果的影响。通过仿真数据和Fish真实数据验证了该算法的有效性,并对聚类结果进行比较和分析。

粒子群优化的自适应区间二型模糊聚类算法

针对区间二型模糊聚类算法对聚类中心和模糊指数敏感的问题提出粒子群优化的自适应区间二型模糊聚类算法(PSO-AIT2FCM)。利用高斯滤波函数对获得的统计直方图做平滑处理,同时设计波峰与聚类中心的对应规则精准地确定聚类中心。构造新颖的融合直觉模糊信息的目标函数,通过类内紧致和类间分离两个方面的信息共同判断聚类效果。利用粒子群优化算法优秀的全局搜索能力在可行域内寻找合适的模糊指数组合。将该文算法应用于Berkeley图像分割中,实验结果表明该算法能够有效地确定聚类中心和模糊指数的组合并得到良好的分割结果。

区间数的区间Ⅱ型模糊c均值聚类算法

针对区间数模糊c均值聚类算法存在模糊度指数m无法准确描述数据簇划分情况的问题,对点数据集合的区间Ⅱ型模糊c均值聚类算法进行拓展,将其扩展到区间型不确定数据的聚类中。同时,分析了区间数的区间Ⅱ型模糊c均值聚类算法的收敛性,以确定模糊度指数m1和m2的取值原则。基于合成数据和实测数据的仿真实验结果表明:区间数的区间Ⅱ型模糊c均值聚类算法比区间数的模糊c均值聚类算法的聚类效果好。

改进的基于二次型模糊c均值聚类模型

针对模糊聚类算法对点数据集聚类的敏感性以及区间类型数据聚类效果不明显等问题,提出了基于二次型距离改进的模糊可能性c均值(fuzzy-possibilistic c-means,FPCM)聚类算法。首先分析了区间数据的特征,引入了区间值的数学表示方法,在此基础上提出了3种不同的基于区间数据距离度量方法以及相应权重矩阵的计算方法,通过建立拉格朗日方程对目标方程优化,求得聚类中心、隶属度以及可能性迭代方程,并证明目标方程的收敛性,最后给出了算法执行步骤。在不同类型的数据集上实验,证明算法在点数据集和区间数据集上都具有较好聚类性能.

改进的区间二型模糊聚类遥感影像变化检测

遥感影像的复杂模糊性问题会干扰影像变化检测的结果,可引入区间二型模糊C均值聚类算法解决此问题,但算法参数的随机性导致检测结果不稳定。本文首先利用局部最优解优化萤火虫算法中的候选解,引入可变步长因子,以此自适应寻优区间二型模糊C均值聚类算法的模糊因子;然后结合寻优得到的模糊因子进行区间二型模糊C均值聚类,迭代更新隶属区间提取变化信息;最后通过基于复合梯形法则的加权Karnik-mendel算法降型和解模糊优化聚类中心,依据最大隶属度原则判断变化类型。通过试验验证,本文方法得到更优模糊因子和更精确的聚类中心,具有更好的稳健性,变化检测精度得到提高,检测得到的变化区域更加精细。

基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想，提出了一种非线性软测量建模的新方法。即先用模糊ｃ 均值聚类算法将训练集分成具有不同聚类中心的子集，每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型，再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果。此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究，结果表明比其它算法具有更好的泛化结果和预报精度，具有良好的在线应用潜力。

区间数模糊c均值聚类中相对位置相异度的研究

区间数模糊c均值聚类方法中,区间数距离公式存在无法描述区间数之间相对位置的问题,针对该问题,本文分析了该问题产生原因,提出了相对位置相异度公式,并将该相异度公式应用于区间数模糊c均值聚类中。理论分析说明相对位置相异度公式能定量描述区间数之间相异程度,还能描述区间数之间相对位置。仿真实验结果表明,相对于基于现有区间数距离公式的区间数模糊c均值聚类,基于相对位置相异度的区间数模糊c均值聚类方法具有更好的聚类效果。同时,给出了相对位置相异度公式中参数选择标准。

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。

基于二维直方图加权的模糊C均值聚类的煤泥浮选泡沫图像的分割

通过对实际煤泥浮选泡沫图像的模糊C均值聚类图像分割结果的对比分析,与普通模糊C-均值聚类的算法和一维直方图加权的模糊C-均值聚类的算法相比,基于二维直方图加权的模糊C-均值聚类的算法,具有收敛速度快,实时性强的特性,不仅准确地将煤泥浮选泡沫图像划分了气泡顶点、气泡表面及背景三类像素,还增加了气泡边缘与背景的对比度,使气泡区域定位准确,使得后续的基于标记的分水岭的图像分割更加准确,避免了过分割与欠分割。

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。

基于区间直觉模糊集的C均值聚类算法

针对区间直觉模糊集(IVIFS)的聚类问题,提出了基于IVIFS的C均值聚类算法。算法首先应用IVIFS的欧氏距离,构造了聚类的目标函数;然后根据拉格朗日乘数法推导出聚类的迭代公式,得到IVIFS聚类算法;此外,还提出一种IVIFS聚类的有效性函数,并将此函数和聚类结合,给出可以确定最佳聚类类别数的聚类流程;最后通过实验验证了该算法不仅得到了最佳聚类类别数,同时还提高了聚类的准确率。

基于模糊C均值聚类的分布式电源集群并网逆变器输出功率置信区间估计方法

为了提高多分布式电源仿真建模的精度,降低仿真模型与物理设备的运行误差,提出基于模糊C均值聚类的分布式电源并网逆变器输出功率置信区间估计方法。首先,根据DG的电压电流输入输出关系建立同类型DG的统一模型,采用粒子群算法进行参数辨识,得到DG输出功率偏差与物理系统同型设备运行参数的关系特性;其次,采用模糊C均值聚类方法,对DG集群进行分类,并将输出功率偏差划分成若干个子集;最后,采用概率分析方法得到输出功率偏差对应各子集的概率密度函数,并对偏差进行概率置信区间预测,根据预测结果通过物理系统同型设备输出特征修正仿真模型运行行为。采用实际运行算例验证,结果表明该方法快速准确修正了仿真模型与物理模型的运行误差。

基于粒子群优化的区间二型模糊聚类图像分割

引入粒子群优化算法对区间二型模糊C-均值算法加以改进。利用粒子群优化算法的全局寻优能力,将经其更新的粒子作为区间二型模糊C-均值算法的降型对象,以改善原算法对初值敏感和易陷入局部最优的问题;对中心和两个模糊加权指数进行编码,分别以有效性指数I和模糊C-均值目标函数作为亲和度函数,经过反复迭代,自适应地得出模糊加权指数。随机选取4幅伯克利图像进行彩色分割,结果显示,改进算法能自适应地得出模糊加权指数,且分割性能有所提高。

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。

一种基于二型模糊集的模糊k-平面聚类算法

当数据分布在超平面周围时,k-平面模糊聚类算法是一种可行的聚类算法,但在隶属度的描述上,该算法仍然有改进的空间.基于二型模糊集,提出了一种二型k-平面模糊聚类算法,通过寻找最佳的聚类指标对二型模糊集进行降型,使该算法达到更好的聚类效果.在加入了噪音的人工数据集上,对比传统的模糊聚类算法(FCM)和模糊k-平面聚类算法(FKPC),提出的二型模糊聚类算法具有更好的抗噪性能,也能对数据点进行更准确的聚类.

基于加权模糊C均值聚类的图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点.但是这种算法存在着本质上的缺陷,就是仅利用了图像的灰度信息,而没有考虑像素的空间信息,使得其对于实际的含有噪声的图像分割效果不理想.因此,提出了一种新的加权模糊C均值聚类算法,实践证明,该方法可以有效地、实时地把目标从背景中分割出来,并具有较强的鲁棒性.

自适应区间二型直觉模糊聚类算法研究

针对区间二型模糊聚类算法存在初始聚类中心敏感,提出自适应区间二型直觉模糊聚类算法。该算法首先利用高斯滤波函数对图像的统计直方图做平滑处理,同时设计波峰与聚类中心的对应规则,精准地确定初始聚类中心,然后构造融合直觉模糊信息的目标函数,最后通过类内紧致和类间分离两个方面的信息共同判断聚类效果。将该算法应用于彩色图像分割中,实验结果表明该算法能够有效得到合适的初始聚类中心并取得较好的分割结果。