基于改进的模糊C均值算法的MR图像分割

在利用模糊C均值算法(FCM)对磁共振图像进行分割的基础上,提出了一种改进的模糊分割技术。实验结果表明,该方法与FCM算法相比,不仅能够更为准确地分割出人脑组织中的各个部分,同时运行速度也有明显提高。

改进的模糊C均值算法用于掺杂橄榄油的分类和半定量研究

针对橄榄油的掺杂检测问题,提出了基于粒子群优化算法的模糊C均值分类算法,可以同时进行分类和半定量分析,并建立了新的目标函数评价算法.结果表明改进的模糊C均值算法简单、快速、有效.

基于改进的模糊C均值算法电力负载预测研究

为了提高电力负荷预测的精度,将天气、日期因素纳入到了计算的范畴中来,使用基于模糊聚类的对相似日进行选取,得出该日的短期电力负荷预测模型。本文算法将天气、日期因素建立起模糊系数特性映射表,实现了对应影响因素的量化处理,便于算法的实现。然后,使用模糊聚类算法对相关的数据进行分类,因为使用了相似日,因此,样本的数量得以大大减少,提高了算法的速度和准确度。本文的是力负荷模型将天气、日期考虑进了电力负荷预测影响的因素中去,减少了算法在预测上的随机性。仿真实验结果证明了该算法拥有更高的预测精度。

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于快速鲁棒模糊C有序均值聚类的苗族服饰图像分割算法

苗族服饰图像具有绣线纹理复杂、色彩形状多样等特征,针对模糊C有序均值(Fuzzy C-Ordered-Means,FCOM)聚类算法在进行苗族服饰图像分割时,存在耗时长、分割效果不理想的问题,提出了一种快速鲁棒模糊C有序均值聚类算法。在FCOM算法基础上加入了竞争学习的思想,通过构造新的隶属度约束函数,对像素点进行更加强制清晰的划分,提高图像像素定位的准确性,从而加快算法的收敛速度。结果表明,本文算法在图像分割过程中能有效地降低异常值的影响,获得更加准确的分割结果。该算法在Jaccard相似系数、分割精度、Dice相似系数、模糊划分系数及模糊划分熵等性能方面均优于其他几种模糊C均值(Fuzzy C-Means,FCM)算法,且分割时间与迭代次数也优于FCOM算法。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于模糊C均值聚类算法的浆液循环泵节能运行优化方法研究

在浆液循环泵运行阶段,受客观应用需求波动的影响,其功耗相对较高。为此,提出基于模糊C均值聚类算法的浆液循环泵节能运行优化方法。在浆液循环泵运行数据特征提取阶段,采用基于无监督的深度学习模型,借助随机初始化的卷积核,对输入的数据进行卷积计算,获取低维空间的特征映射,随后通过反卷积确定浆液循环泵运行参数特征;在节能运行优化阶段,引入模糊C均值聚类算法,通过聚类具有相同特征的数据,将相同聚类内功耗最小的参数作为同类运行工况下的优化结果。结果显示,测试循环泵的功耗虽然会随着通过的最大颗粒粒度的增加而呈稳定增大的趋势,但对应的增幅较小,与对照组相比,其分别在节能程度和节能适应性方面表现出了明显优势。

基于改进FCM的冲压件缺陷图像分割算法

在工业质检过程中,冲压件缺陷图像分割作为缺陷检测的重要环节,直接影响缺陷检测效果。而传统的模糊C均值(FCM)聚类算法未考虑到空间邻域信息,对于噪声干扰较为敏感,导致分割精度较差,且其整体易受初始值的影响,造成收敛速度变慢。针对上述问题,提出一种改进的FCM算法。采用内核诱导距离中的简单两项代替传统的欧氏距离,将原有的空间像素映射到高维特征空间,提高线性可分概率和计算速度;利用图像像素之间的空间相关性,通过引入改进的马尔可夫随机场对FCM目标函数进行修正,提高算法的抗噪能力以及分割精度;采用秃鹰搜索(BES)算法确定FCM的初始聚类中心,提高算法的收敛速度,同时避免算法陷入局部极值的情况。为验证改进FCM算法的性能,选取划分熵、划分系数、Xie_Beni系数以及迭代次数作为评价指标,并与近年来先进的图像分割算法进行对比。实验结果表明,改进FCM算法具有更好的抗噪能力,能得到更好的缺陷分割效果,对工业生产中的冲压件缺陷检测有一定的应用价值。

基于IHBA优化模糊C均值的三维WSN分簇路由算法

针对分簇路由算法在三维场景下能量消耗大、网络生存周期短的问题,提出了一种基于改进蜜獾算法优化模糊C均值的三维无线传感网分簇路由算法IFCRA。IFCRA分别对网络成簇、簇首选举以及数据传输阶段进行了优化。首先,采用改进蜜獾算法优化模糊C均值算法,解决模糊C均值易陷入局部最优的问题,并综合节点的距离和能量特征划分拓扑结构。其次,结合簇内节点的能量和相对距离构建最优簇首函数,平衡簇首负载。最后,采用自适应传输机制寻找中继节点,综合节点距离和能量构建最优传输路径函数,采用改进蜜獾算法进行寻优,均衡数据传输能耗。仿真结果表明,IFCRA在三维异构场景中分簇合理、能耗均衡且生存周期长。

基于放电曲线和模糊C均值法的退役电池一致性分选方法

在电动汽车井喷式增长的背景下,巨量退役的动力电池如何回收成为当前电动汽车行业亟待解决的问题。考虑到退役电池容量、内阻等性能会出现较大的不一致性,在对退役电池梯次利用前,有必要根据其性能状况进行一致性分选,以实现退役电池的经济效益和利用率最大化。提出了一种基于放电曲线和改进模糊C均值算法的退役电池一致性分选方法。该方法以退役电池单体为研究对象,借助1 C充放电实验选取放电曲线,进行特征参数提取;在此基础上,结合改进的模糊C均值算法构建退役电池高精度分选模型,基于简化的特征点提取过程,在不同容量梯度的退役电池下对分选方法的可行性进行了验证。

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。

基于改进模糊C均值算法的电力负荷特性分类

为了提高负荷分类的精确性和有效性,提出了将基于模拟退火遗传算法的模糊C均值(Simulated Annealing Genetic Algorithm Based Fuzzy C-Means,SAGA-FCM)算法用于电力系统负荷特性分类。SAGA-FCM算法以模糊C均值(Fuzzy C-Means,FCM)算法为基础,融合了模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,克服了传统FCM算法对初始聚类中心敏感和容易陷入局部最优的问题。将其与系统聚类法、K均值(K-Means)算法和传统FCM算法分别用于电力系统负荷特性分类实验,对比分析表明了SAGA-FCM算法用于负荷特性分类的有效性和优越性。

基于改进遗传算法的加权模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法具有初始聚类中心敏感和容易陷入局部最优的问题,提出了一种基于改进遗传算法(GA)的加权模糊C均值聚类算法,采用高斯变异算子,提高了遗传算法在每个峰值附近的局部搜索能力,用基于复相关系数的加权欧式距离代替欧式距离,改进了FCM算法的聚类目标函数。用改进的算法对国际标准测试数据Iris进行测试,实验结果表明改进后的算法具有更好的稳定性和健壮性,提高了聚类的效果。

运用改进模糊C均值算法的复杂产品功构单元模块划分方法

为了解决目前已有聚类方法在复杂产品功构单元模块划分过程中存在的问题,提出了一种基于改进模糊C均值算法(D-FCM)的产品功构单元模块划分方法。该方法运用距离矩阵生成样本分层聚类树,结合F统计量方法确定模糊C均值算法最佳聚类数,在此基础上,应用模糊C均值算法进行聚类分析,获得聚类结果。最后,结合实际项目给出该聚类方法在机床模块划分过程中的典型应用,对该方法进行实例验证。以此为基础,开发出机床模块划分系统平台。系统实现及设计结果表明了所提出方法的有效性,为面向配置设计的机床模块划分提供了另一种有效的模块划分方法。

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值(FCM)聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。

改进混合蛙跳算法优化的产品族模糊C均值聚类设计方法

研究了基于改进混合蛙跳算法优化的模糊C均值聚类解决模块化产品族设计中产品平台的确定问题.建立了该产品开发过程中的部件关联矩阵,采用变个体长度的混合蛙跳算法同时优化模糊聚类数和聚类中心,求得产品构成部件的最优模糊划分.切断算子和拼接算子用来对个体进行重新组合而形成新个体,采用ISODATA迭代算法进行局部寻优.通过对纸币清分机进行的产品族设计的仿真研究,表明所提方法为产品族模块化设计提供了定量数学分析和快速配置的理论依据.

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上,提出一种基于加权模糊C均值算法方案。该方案通过加权模糊C均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比,该方案在相对较小的数据集下,具有较为理想的稳定性,较高的分类精度,大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果。结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率。

基于改进的模糊C均值聚类算法的颗粒种子图像分割方法

针对利用模糊C均值聚类(FCM)算法进行农作物颗粒种子数字图像分割时的噪声敏感性问题,提出在传统FCM算法的目标函数中加入惩罚项来表示邻域像素值影响的方法,即利用图像的空间信息提高聚类准确性,并通过像素距离因子来修饰空间作用的方法,进行距离模糊加权因子对目标函数的改进.实验结果表明,利用改进的FCM算法在将颗粒种子图像从背景图像中分割出来时,抗噪声性能比传统FCM算法更好,程序运行耗时节省一半左右,准确率从93%提高到99%,为下一步利用机器视觉系统进行颗粒种子计数检测打下良好基础.

模糊C均值聚类算法在自动供送装置改进设计中的应用

为进一步减轻工人劳动强度,使供送装置的供送参数(如供送高度、供送距离等)设计更符合工人实际操作行为习惯,针对用户的需求差异,采用模糊C均值聚类算法,将目标人群的相关特征参数进行分类,根据聚类结果对相关供送参数进行改进,以达到更好的供送效果;以涡流纺细纱机中的纱筒供送装置为例,结合女操作工的身高特征参数,对纱筒供送高度进行改进,提出两个供送高度的设计方案,对减轻工人劳动强度均有较为明显的效果。采用模糊C均值聚类算法进行聚类分析可为供送装置的相关供送参数改进提供有效途径。