局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。

改进模糊C-均值分割算法在多发性硬化症MR脑部图像中的应用

背景:脑部MR图像是一种无纹理的图像,未被噪声污染的脑部MR图像的灰度值具有分片为常数的特点。因此,在聚类过程中灰度值有趋向于在同一个分割区域中相对接近的性质。目的:寻找一个能够自动分割多发性硬化症病灶的模糊C-均值改进方法,为临床对于多发性硬化症的判断提供更方便的工具。方法:考虑到脑部MR图像相邻象素属于同一分类的概率相近的特性,在迭代过程中对8邻域数据集进行滤波以降低噪声对聚类精度的影响,提出了一种改进的模糊C-均值聚类算法。就是将模糊C-均值聚类算法迭代过程中得到的灰度值看作一个数据集,用每个象素邻域象素的灰度值修正该象素的模糊隶属度取值,从而达到利用空间信息抑制噪声的目的。结果与结论:选取了10个多发性硬化症患者的脑部MRI图像进行试验。通过对多发性硬化症患者MRT1脑部图像和T2液体衰减反转回复脑部图像的分割实验,结果显示该算法能够有效分割多发性硬化症病灶,与其他方法所做的多发性硬化症病灶分割相比,本算法更易于实现,运算时间短,同时结果与临床医生的勾画比较重叠率较高,对其临床辅助诊断具有重要作用。

基于极坐标特征的改进模糊C-均值虹膜定位算法

针对非理想情况下虹膜图像定位失败的问题,提出一种新的虹膜定位算法.该算法先使用基于极坐标特征的改进模糊C-均值算法对虹膜外圆半径进行粗定位,再采用圆周差分法对外圆参数进行准确计算.该算法通过使用极坐标作为聚类特征及放宽模糊聚类的聚类条件,提高了虹膜定位算法的鲁棒性.实验结果表明,该方法有效提高了非理想情况下虹膜图像的定位精度.

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法.该方法将从语音信号中提取的Mel频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模糊C-均值聚类算法进行修正,形成码本.识别时,对每一个待识别语音进行模糊聚类识别.仿真结果表明,该方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单.

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。

基于图谱理论的FCM图像分割方法研究

利用图谱理论的思想对传统模糊C-均值(FCM)图像分割方法进行改进——将图谱理论中的权值计算方法引入到FCM方法的距离计算中,较之原来的Euclid距离不仅考虑了各样本空间上的距离,同时考虑了各样本之间的灰度差异,获得更适用于图像分割的模糊隶属度函数,从而得到改进的FCM图像分割方法。通过与传统FCM图像分割方法、基于图谱理论的图像分割方法的实验结果、错分概率及评价指标的对比分析,证明所提出的改进FCM方法能够很好地解决图像分割问题。

供应商协同能力评价指标体系研究

供应链协同已经成为供应链集团在与其他集团之间日趋激烈的竞争中创造竞争优势的势在必行的现代管理战略,供应商选择对供应链协同至关重要。通过控制进化种群划分与进化过程,利用压缩变异与Gauss变异设计一种组合变异方式,进而提出改进的模糊C-均值聚类遗传算法(IFCMGA);在初步确定面向供应链协同的供应商评价指标后,利用IFCMGA算法对供应商协同能力评价指标进行分类,构建了面向供应链协同的供应商评价指标体系。结合模糊层次分析法与重要指标筛选法进行指标分析和筛选以及指标体系重构,以为供应商评价与选择提供科学决策依据。

基于IFCM加权的SVDD硬件木马检测方法

针对硬件木马(HT)种类繁多难以获取未知木马特征及采集的旁路信号含噪声问题,提出了一种基于IFCM加权的SVDD(IFCMW-SVDD)硬件木马检测方法。传统支持向量数据描述(SVDD)在解决单分类问题时存在相同条件下训练全部样本的不足,需要根据相应问题对样本有主次之分进行训练。通过一种改进的模糊C均值方法(IFCM)计算金片旁路信号的隶属度,将其作为样本特征的权重(W)系数,使得针对硬件木马检测问题构建SVDD模型的支持向量能够描述金片信号的同时尽可能减小描述范围。实验表明,所提方法实现单分类硬件木马检测的同时较传统SVDD算法在检测精度和稳定性上都有所提高。

基于运行模式的负荷状态描述研究

针对电力系统网络 ,提出结合运行模式所选特征应用一种改进的模糊C -均值算法对负荷功率的典型样本进行聚类分析。根据聚类结果以中心趋势和数据分布的方式给出了描述负荷的方法。对部分实际运行网络进行了计算 ,表明该方法能够展示负荷运行状况 ,向调度人员提供有意义的信息。