一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。

基于模拟退火算法的属性均值聚类算法

基于对属性均值聚类算法和求解全局优化问题的方法的分析 ,提出了基于模拟退火算法的属性均值聚类算法。

一种基于属性均值聚类的图像分割方法

为了降低图像噪声以及边界模糊对图像分割的影响,把属性均值聚类的思想应用于图像分割。首先,采用自己设计的非线性自适应滤波器对图像进行降噪预处理,接着采用模糊熵进行粗分割。最后,针对由于人工设置初始隶属度矩阵不当而导致属性均值聚类收剑速度慢的问题,把模糊熵最终得到的隶属度矩阵作为属性均值聚类的初始参数进行二级分割。通过实验表明该方法最终分割出了自己感兴趣的区域,效果较好。

Bezdek型模糊属性C均值聚类算法

推广了属性均值聚类算法,提出了基于模糊度m的Bezdek型模糊属性C均值聚类算法(FAMC),给出了FAMC算法的迭代算法,并讨论了模糊度m对算法收敛性的影响.在标准Iris数据集与肿瘤基因芯片表达数据的模式识别实验结果,验证了该算法优于模糊C均值算法和属性均值聚类算法.

属性均值聚类

提出了属性均值聚类并给出了迭代算法。

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.

改进的属性综合评价及在地下水评价中的应用

提出运用均匀随机数计算评价指标的权重,并用加速遗传算法求解基于属性均值聚类的属性综合测度,改进了属性综合评价系统,并讨论了在地下水易污染性评价中的应用,从而为以开采地下为饮用水的城市提供科学决策依据。

基于粒子群优化算法的土壤养分管理分区

土壤养分管理分区的划分为变量施肥技术提供依据,是精准农业实施变量施肥管理的重要环节。在对7种土壤养分的空间变异特征和变异结构进行分析的基础上,以其中6种养分作为变量进行土壤养分管理分区的研究,最后用基于粒子群优化属性均值聚类来划分管理分区,并引入3种指标确定合理的分区数目。通过计算得出,试验区的合理分区数目为2个,对各管理分区实际采样点的土壤养分数据进行单因素方差分析,除速效磷外各土壤养分均在99%的置信水平上具有极显著差异,其中分区2土壤肥力水平较高,分区1较低。基于粒子群优化属性均值聚类算法可以很好地划分土壤养分管理分区,分区结果能够为精准农业变量施肥提供决策依据。

一种稳健的聚类方法

本文讨论一种新的聚类方法 :属性均值聚类 .通过理论分析 ,属性均值聚类是比模糊均值聚类更稳健的聚类方法 .