面向时间序列的鲁棒性半监督模糊C均值聚类

针对时间序列模糊C均值聚类算法对噪声数据敏感,及其未能将数据中少量已标记数据所包含的监督信息进行有效利用的问题,提出了一种改进的鲁棒性半监督模糊C均值聚类算法。该算法中先使用马氏距离提出一种样本不确定性分析方法,并加入到半监督模糊C均值聚类建模中,以消除噪声点的影响。并改进半监督模糊C均值聚类的部分监督机制来加大已标记数据的监督能力。采用能够弹性度量时间序列相似性的时间扭曲编辑距离代替欧氏距离进行聚类。通过对7组公开的时间序列数据集进行实验对比,结果表明所提算法具有良好的聚类效果。

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。

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improved semi-supervised fuzzy c-means clustering algorithm,ISS-FCM)。定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以引导聚类过程。为避免随机初始化划分矩阵使聚类结果陷入局部极值,利用训练样本对划分矩阵进行初始化。由于原始油液数据的聚类趋势不明显,不能有效描述发动机的磨损状态,利用自回归(Autoregression,AR)模型从油液光谱数据中提取出残差方差特征。结合某型履带车辆发动机台架试验,利用所提ISS-FCM算法对油液原子发射光谱测量数据进行分析,成功诊断出该发动机的拉缸和烧瓦故障。试验结果证明该方法在发动机磨损故障诊断领域的有效性。

基于半监督核模糊c-均值算法的北京一号小卫星多光谱图像分类

针对遥感图像数据大多不服从高斯分布以及遥感图像分类存在非线性、模糊性和标记数据少等问题,提出基于半监督核模糊c-均值算法的多光谱遥感图像分类方法。首先,把半监督学习理论和核理论同时引入模糊c-均值算法,形成半监督核模糊c-均值算法。然后,用该算法与k-均值算法、最大似然算法、多类支持向量、半监督核支持向量、模糊c-均值算法、核模糊c-均值算法和半监督模糊c-均值算法对IRIS数据和北京一号小卫星多光谱图像进行分类试验。最后,对其分类结果进行评价。结果表明,对比其他分类算法,半监督核模糊c-均值算法能显著提高分类精度。

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.

半监督中心最大化模糊C均值算法

在模式识别领域内,对于数据的分析方法一般分为:有监督的学习方法及无监督的学习方法。而这两类方法均与实际应用不符,一般生产所获之数据既不可能毫无信息可知又不可能全部信息已知。此外,由于实际生产的干扰因素过多导致所获之数据样本信息通常包含一些干扰信息,这些数据对传统的分析方法影响较大,其中尤以聚类方法最为敏感。针对以上两大问题,以经典的无监督聚类算法FCM算法为基础,通过引入半监督性质的隶属度补偿项以及减弱干扰点影响的中心最大化项构造出了新的聚类算法称之为半监督中心最大化模糊C均值算法,简称SCM-FCM。通过在UCI数据集上的仿真实验结果表明该算法较之于传统的无监督聚类分析方法有着更好的应用价值。

基于模糊C均值算法的多层次网络安全态势感知方法

当前的多层次网络安全态势感知节点设置形式一般为独立的,感知效率较低,导致安全态势平均绝对误差增加,为此提出基于模糊C均值算法的多层次网络安全态势感知方法。测试结果表明,所设计的模糊C均值算法多层次网络安全态势感知测试组最终得出的安全态势平均绝对误差被较好地控制在0.2以下,优于对照组。

基于模糊C均值聚类和梯度提升决策树的护林员评价方法

现有关于基层护林员科学、客观、精准的评价方法的研究十分缺乏,传统的人员绩效评价方法也不适用于护林员巡护情况的评价。本文以中国东南部某县级市的护林员为研究对象,自创1种基于模糊C均值聚类(Fuzzy C-means,FCM)结果和FCM隶属度以及梯度提升决策树相结合的护林员巡护情况评价方法。首先对护林员巡护情况数据集进行Z-Score标准化处理以提高算法的准确率和效率,其次以里程数、考勤率、耗时数和上报事件数为特征变量,使用FCM对巡护情况数据集进行聚类,确定基准月,并使用隶属度评价得分划定法计算基准月护林员评价得分,再通过梯度提升决策树(Gradient boosting decision tree,GBDT)和基准月数据确定研究期内其他月份的护林员评价得分,最后对护林员巡护情况进行综合分析。研究结果表明,该方法可精准、清晰地划定护林员巡护情况评价得分;研究期内护林员整体巡护情况偏差,评价得分≤60分的人数占比较大;常驻护林员在研究期内巡护情况评价得分基本保持不变,偶尔上下波动,毫无提升。本文的方法从实际数据出发,对护林员巡护情况进行针对性的分析,使得护林员管理者可制定科学的管理方案,并以期为护林员巡护情况的评价方法提供新的方向和思路。

半监督加权模糊C均值聚类算法

对于团状、每类样本数相差较大的数据集,FCM算法和半监督模糊C均值聚类算法都不是最佳聚类方法,因为它们对数据集有等划分趋势。针对这种情况,利用样本点分布密度大小作为权值,结合半监督学习方法,提出半监督点密度加权模糊C均值聚类算法。在半监督学习过程中,对于求极值的问题采用模拟退火算法。结果证明,点密度加权模糊C均值聚类算法确实能提高聚类精度。

基于半监督模糊C均值算法的遥感影像分类

遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法(SS-AIT2FCM)。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。

应用模糊c均值聚类获取土壤制图所需土壤-环境关系知识的方法研究

在没有土壤普查专家及土壤图的地区,获取土壤环境间关系的知识是基于知识进行预测性土壤制图中的关键问题。本文建立了一套应用模糊c均值聚类(Fuzzyc-means,FCM)获取土壤环境间关系知识的方法:得到对土壤形成发展具有重要作用的环境因子,建立环境因子数据库;对环境因子进行模糊聚类,得到环境因子组合隶属度分布图;根据隶属度值确定野外采样点;将环境因子组合与土壤类型对应,进而提取土壤-环境关系知识。为检验该方法的有效性,应用所得知识进行土壤制图,通过独立采样点对土壤图进行精度评价。本文在黑龙江鹤山农场一个研究区的应用结果表明,该方法仅需要少量的野外采样即可获得有效的土壤-环境关系知识,为预测性土壤制图提供必需的依据,同时也显著提高了野外采样的效率。

一种高效鲁棒的无监督模糊c均值聚类算法

先通过数据约简技术在不损失数据聚类结构的前提下对数据进行精简,利用提出的近似模糊c均值聚类算法对精简后数据进行划分得到初始化中心,再在该中心基础上通过模糊c均值聚类算法结合聚类有效性指标,实现对数据的无监督聚类,改进了无监督模糊c均值聚类算法聚类性能过分依赖初始化中心及大数据集下计算效率不理想的问题.与已有算法的对比实验表明,所提出的算法具有更高的求解精度与计算效率,得到的聚类个数更合理.

一种基于模糊C均值聚类的模糊规则提取方法

提出了一种基于模糊C均值聚类的模糊规则提取方法,给出了模糊系统的模糊规则库,基于此规则库,构造了一种新颖的分类算法,利用IRIS数据进行了测试.仿真结果表明,分类效果好,由此说明所提出的模糊规则生成方法有效.

基于模糊C均值聚类法和粗糙集理论的评价方法研究

粗糙集理论为处理模糊、不完整、不确定性知识分析提供了一种新的分析理论,更具客观性,其不足之处在于决策表中的值必须是离散值。文章首先介绍了粗糙集理论及其基本概念;然后引入了基于模糊C均值聚类法的连续属性离散化方法,并结合二者提出了一种综合评价方法;最后以20家上市公司作为经验样本,对其财务状况做出了综合评价。

基于半监督算法的高光谱影像特征提取仿真

高光谱影像包括待测物的空间、光谱和辐射三重信息,且图像信息具有维度高、空间相关性弱、特征非线性强的特点,导致其空间特征序列混乱,特征提取难度大。于是提出基于半监督算法的高光谱影像特征提取方法。应用半监督算法对高光谱图像中的高维数据降维处理,并基于降维结果完成高光谱图像的去模糊。高光谱图像完成降维去模糊后,根据特征学习模型学习高光谱影像数据,获取图像深层特征。在像元空间内对深度特征以及空间信息完成空、谱的联合,实现高光谱影像特征的提取。实验结果表明,所提方法应用下影像特征点在特征空间内聚类效果好,查全率和查准率均能达到95%以上,说明上述方法的应用性能更优。

核模糊C均值聚类粒度支持向量机方法研究

针对传统粒度支持向量机(granular support vector machine,GSVM)在处理大规模数据集时划分方法的随机性严重影响模型训练效能的情况,提出一种基于核模糊C均值聚类的粒度支持向量机(granular support vector machine based on kernel-based fuzzy c-means cluster,GSVM-KFCM)的方法。首先利用核映射将数据映射到高维空间进行聚类划分得到若干个信息粒,然后在每个信息粒中进行支持向量机的训练,提取出关键信息并融合建立最终决策模型。实验结果表明:该方法可以降低大规模数据集的训练时间,同时也能提高算法的准确度。

联机核模糊C均值聚类方法

基于核模糊C均值(kernel fuzzy C-means,KFCM)提出了一种针对较大规模数据的联机核模糊C均值(online kernel fuzzy C-means,OKFCM)算法,同时考虑到核参数的选择困境,借鉴多核学习思想,进一步衍生出了联机多核模糊C均值(online multiple kernel fuzzy C-means,OMKFCM)算法。由此,在有效缓和核参数选择难题的同时,新算法不仅继承了KFCM优越的聚类特性且适合聚类数据流。最后,在人工和真实数据集上验证了新提出的核联机算法比现有基于划分的大规模数据处理算法具有更好的性能。

FCM预选取样本的半监督SVM图像分类方法

针对基于拉普拉斯支持向量机(LapSVM)的半监督分类方法需要将全部无标记样本加入训练样本集中训练得到分类器,算法需要的时间和空间复杂度高,不能有效处理大规模图像分类的问题,提出了模糊C-均值聚类(FCM)预选取样本的LapSVM图像分类方法。该方法利用FCM算法对无标记样本聚类,根据聚类结果选择可能在最优分类超平面附近的无标记样本点加入训练样本集,这些样本可能是支持向量,携带对分类有用的信息,其数量只是无标记样本的一少部分,因此使训练样本集减小。计算机仿真结果表明该方法充分利用了无标记样本所蕴含的判别信息,有效地提高了分类器的分类精度,降低了算法的时间和空间复杂度。

基于C均值聚类和图转导的半监督分类算法

针对传统图转导(GT)算法计算量大并且准确率不高的问题,提出一个基于C均值聚类和图转导的半监督分类算法。首先,采用模糊C均值(FCM)聚类算法先对未标记样本预选取,缩小图转导算法构图数据集的范围;然后,构建k近邻稀疏图,减少相似度矩阵的虚假连接,进而缩减了构图的时间,通过标记传播的方式得出初选未标记样本的标记信息;最后,结合半监督流形假设模型利用扩充的标记数据集以及剩余未标记数据集进行分类器的训练,进而得出最终的分类结果。在Weizmann Horse数据集下,所提算法分类准确率均达到96%以上,和传统仅使用图转导的分类方法相比,解决了对初始标记集的依赖性问题,将准确率至少提高了10%;将所提算法直接运用到兵马俑数据集,分类准确度也达到95%以上,明显高于传统的图转导算法。实验结果表明,基于C均值聚类和图转导的半监督分类算法,在图像分类方面有较好的分类效果,对图像的精准分类具有研究意义。

基于模糊C均值聚类方法的子母弹落点识别

对子母弹落点的随机特点进行了分析,基于模糊C均值聚类方法,分析了一定面积上散布子弹的分布中心及类别,提出了由单个子弹落点特征判断识别该子弹在母弹腔体中所处位置的计算方法,该方法通过了模拟计算,识别效果较明显.