模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集:(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。再利用主成分分析将高维的三种光谱数据集压缩至低维。然后采用线性判别分析进行特征提取,将光谱数据投影到求得的鉴别向量上。最后分别采用FCM,FKCN和FKHKCN对茶叶、肉类和咖啡进行判别。最终结果如下:FCM,FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%,90.91%和93.94%;对肉类品种的聚类准确率分别为90.83%,0.00%和92.50%;对咖啡品种的聚类准确率分别为89.17%,89.17%和90.83%。以上实验结果表明:采用傅里叶红外光谱技术结合主成分分析、线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别,且鉴别准确率比FCM和FKCN更高,聚类结果更稳定。

模糊Kohonen聚类网络用于骨髓细胞图像分割

提出了一种基于图像的边界特点来确定模糊Kohonen聚类网络输出类别的方法 .该方法首先构建了图像的一个边界模型 ,然后利用Zernike矩求出边界模型的参数 ,最后根据参数的特点 ,自动确定模糊Kohonen聚类网络输出数目 .试验结果表明该方法构建的模糊Kohonen聚类网络能够实现图像的自动模糊分割 。

半抑制式模糊C-均值聚类算法

针对抑制式模糊C -均值聚类算法所存在的不足 ,提出了一种改进算法———半抑制式模糊C -均值聚类算法。通过对抑制式模糊C -均值聚类算法的良性扩展 ,在保持收敛速度变化不大的前提下改善了聚类的效果。实验表明 ,该算法是有效的。

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于确定粗糙模糊聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。

用于分割无损检测图像的改进的抑制式模糊C均值聚类算法

由于无损检测图像灰度分布不均衡,常用的模糊C均值聚类算法不能对图像中的目标与背景进行有效分割,故提出一种改进的抑制式模糊C均值聚类算法(IS-FCM)对无损检测图像进行分割。通过对抑制式模糊C均值聚类算法(S-FCM)的目标函数融入每一类的总隶属度以均衡化目标像素和背景像素对聚类结果的影响,在构建的新目标函数基础上推导出新的隶属度和聚类中心迭代形式,然后分析了所提算法的收敛性并给出了执行步骤,最后通过无损检测图像对所提算法进行分割实验。结果表明,IS-FCM算法不仅能够对灰度分布不均衡的无损检测图像进行有效分割,还扩展了S-FCM算法的应用范围,增强了鲁棒性和适应性。

模糊Kohonen网络在烟叶分类中的应用

对于分类问题的处理有很多经典方法,但近年来因为人们对神经网络理论及其应用的重视,使得Kohonen网络(KN)越来越受到普遍关注。该文利用模糊控制策略将模糊c-均值算法与经典的Kohonen算法有机地结合起来,使网络性能到了很大改善。

优选抑制式非局部空间模糊C-均值图像分割方法

当图像被噪声严重污染时,像素的邻域像素也可能被污染。此时,来自于像素点的邻域像素的局部空间信息无法在含噪图像分割中发挥积极的指导作用。鉴于此,利用图像中与像素具有相似邻域结构的像素构造新的非局部加权和图像,并在新图像的灰度直方图上采用优选抑制式模糊C-均值聚类,提出优选抑制式非局部空间模糊C-均值图像分割方法。实验结果表明,该方法能进一步提高模糊C-均值聚类方法对于图像噪声的鲁棒性,获得了更加理想的分割结果。

一种基于Ridgelet变换和抑制式FCM聚类的数字水印算法

利用人类视觉系统的掩蔽效应和脊波变换(ridgelet transform,RT),提出了一种新颖的自适应乘性数字水印算法。由于脊波具有方向敏感性和各向异性的特点,具有自然纹理和曲线边缘的图像首先进行分块脊波变换,使脊波变换系数能够分段线状表示图像中的边缘奇异性。然后根据不同纹理程度的图像块提取脊波方向能量特征,结合人眼接受信号具有近似对数的特性对此特征进行非线性调整;并将其作为抑制式模糊聚类(suppressed fuzzy C-means algorithm,s-FCM)的特征向量,将图像块分成两类:较平坦区域、强纹理和边缘区域。最后将数字水印自适应嵌入到属于第二类的图像块的能量最大方向的中频脊波系数,并由该图像块的脊波方向能量特征控制嵌入强度。水印通过相关检测器判断存在与否。实验结果表明水印算法具有较高的不可见性和稳健性。

自适应抑制式模糊C-回归模型算法

模糊C-回归模型算法由Hathaway和Bezdek提出,与硬C-回归模型算法相比有着稳定性强、收敛效果好的优点,但该算法也存在着收敛速度偏慢的问题。针对此问题,引入隶属度抑制思想,提出了抑制式模糊C-回归模型(SFCRM)算法。实验表明,S-FCRM算法加快了算法的收敛速度,提供了较好的收敛效果。然而S-FCRM算法还存在着抑制因子参数选择的问题,针对这个问题,研究了抑制因子选择的自适应方法,进一步提出了自适应抑制式模糊C-回归模型(AS-FCRM)算法。实验表明,AS-FCRM算法有着较好的自适应效果,收敛速度更快,鲁棒性更好。

基于改进模糊C-均值聚类算法的图像分割

在对手抑制式模糊C-均值聚类算法中,参数α的选择有可能导致原有的隶属度之间顺序的改变。针对其不足,提出了一种改进的模糊C-均值聚类算法,他是通过引入2个不同的调节参数1α和2α修正不同大小的隶属度,在保持隶属度的次序不变的前提下可以加速图像分割的收敛速度。实验表明,该算法不但能有效地提高聚类的速度,且能得到较好的分割效果。

隶属度修正类模糊C-均值聚类算法的对比分析

为了更深入的对模糊C-均值聚类算法进行研究,从提高算法的收敛速度角度着手,总结归纳了以RCFCM、S-FCM、PIM和FCMα等算法为代表的隶属度修正类模糊C-均值聚类算法,跟踪阐述了其研究进展.为了展现算法的全貌,从不同参数和不同模糊指数等角度实验分析了各算法的性质和特点.根据实验分析结果,为其后续研究指明了方向.上述工作将为FCM算法的进一步研究提供有益的参考.

一种改进的模糊C-均值聚类算法

相对于抑制式模糊C-均值聚类算法,半抑制式模糊C-均值聚类算法引入抑制门限,在保持收敛速度变化不大的前提下改善了聚类的效果。然而,该算法也存在参数选择较多的问题。针对该问题,我们引入面向隶属度修正的模糊聚类参数选择方法,提出了改进的半抑制式模糊C-均值聚类算法。实验表明,该算法具有较好的可操作性,在具有较快收敛速度的同时,也维持了较好的收敛效果。

基于犹豫度生成的抑制式FCM图像分割算法

针对抑制式模糊C-均值聚类算法的参数选择问题,采用一种直觉模糊补函数生成方法获得犹豫度,通过将其作为抑制因子实现参数的自适应选取,进而给出一种基于犹豫度生成的抑制式模糊C-均值图像分割算法。测试图像的实验结果显示,与模糊C-均值和一种直觉模糊C-均值聚类算法相比,该算法的迭代次数和运行时间均有一定下降,且能够更好地保持图像的细节信息。

结合区域信息的双抑制FCM聚类图像分割

针对抑制式模糊C均值聚类算法在进行图像分割时出现的收敛性能较差和像素错误分割问题,提出一种结合区域信息的双抑制模糊C均值聚类图像分割算法。对图像进行初始区域划分,针对不同的区域,提取其区域信息;利用区域信息构建修正因子,实现对模糊隶属度的初次抑制;将区域信息和数据自身的分布特性相结合,利用指数函数构建抑制因子的自适应选取公式,实现对模糊隶属度的二次抑制,进一步提高收敛性能。实验结果表明,该算法可以改善像素易错分现象,提高了收敛性能。

改进的数据挖掘模糊聚类算法研究与分析

由于传统的模糊C均值(FCM)聚类算法具有不能自动确定聚类数目、收敛速度较慢、抗噪性差、对噪声数据比较敏感等诸多缺点,研究基于相对熵约束的FCM聚类算法,加入对手抑制式方法和基于分离度和紧致度的聚类函数,有效克服上述缺点.研究结果表明:改进后的FCM算法与传统的FCM聚类算法相比,收敛速度、准确度、精确度、特异度均有提高,且具有良好的抗噪性能,并能自动确定出最佳的聚类数目.

一种基于模糊熵和FKCN的边缘检测方法

根据邻域内的灰度分布是有序的、具有方向性以及灰度实质具有结构性三种图像边缘的基本特征,通过引入模糊熵,构造出了一组基于模糊熵的信息测度分量来定量描述图像的这些边缘特征.利用训练样本获取该组分量,并组成一特征向量对模糊Kohonen聚类网络(FKCN)进行训练.用训练好的FKCN聚类网络直接提取其它图像的边缘.该方法无需确定阈值,对弱边界检测较敏感,在特征的选取上充分地考虑了边缘和噪声的本质区别,具有优异的抗噪性能.

基于粗糙集和神经网络结合的鱼病诊断方法

为了实现鱼病的快速和大批量诊断的目的,将粗糙集理论和神经网络紧密结合建立一种新的高效鱼病诊断模型。利用粗糙集进行知识获取,即把鱼病的典型案例作为样本空间形成"症状—疾病"的决策表,然后根据粗糙集的知识简化方法,去掉冗余的属性和样本。利用性能优良的模糊kohonen聚类网络进行聚类分析,最后形成鱼病的分类规则,新的鱼病就可通过此规则进行诊断。该模型充分融合了粗糙集强大的规则提取能力和神经网络优良的分类能力,实验证明模型具有很好的分类效率,可以实现鱼病的快速诊断。

基于粗集神经网络的分类方法

数据挖掘是近年来发展快速的信息处理新技术,如何有效地从高维的、超大规模数据中提取隐藏的有用信息,是该领域的研究核心。针对海量数据的挖掘分类问题,将粗集和神经网络紧密结合建立一种新的高效数据挖掘模型,即利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,然后,利用性能优良的模糊kohonen聚类神经网络进行聚类分析,最后形成分类规则。该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验证明模型具有很好的分类效率,且有较高的精确性。

双中心组合迭代抑制式模糊C-均值聚类图像分割算法

针对抑制式模糊C-均值聚类算法应用于灰度图像分割时出现收敛速度较慢和像素误判的问题,通过挖掘图像同质区域内像素间的相关性与分析像素位置对类别判定的影响,提出一种双中心组合迭代抑制式模糊C-均值聚类图像分割算法.首先在图像上经选点、扩展、提取等环节优选出较好的初始聚类中心;然后按该中心分别查找图像中灰度值与其相等的像素位置并遴选产生隐藏中心;其次采用负指数函数对像素位置与隐藏中心之间的欧氏距离进行归一化,得到位置特征;接着在对该特征赋权后直接修正模糊划分矩阵;最后结合抑制式思想进一步减少算法的迭代次数.与现有的多种相关算法进行对比,实验结果表明,所提出算法在获得致密且分离性较好聚类的同时,能够改善图像分割的准确率和执行效率.