针对现有质心求解算法仍具有较高计算复杂度,导致区间二型模糊C均值聚类算法(Interval Type-2 Fuzzy C-Means,IT2FCM)运行速度不理想问题,提出了半数迭代法和一次迭代法两种近似质心求解算法。首先,在直接求解转换点问题质心求解算法(A ...针对现有质心求解算法仍具有较高计算复杂度,导致区间二型模糊C均值聚类算法(Interval Type-2 Fuzzy C-Means,IT2FCM)运行速度不理想问题,提出了半数迭代法和一次迭代法两种近似质心求解算法。首先,在直接求解转换点问题质心求解算法(A Direct Approach for Determining the Switch Points in the Karnik–Mendel Algorithm,DA)的基础上,借助二分查找思想,构造出基于二分查找的质心求解算法;接着,以该算法为基础,通过限制查找范围,考虑两个转换点之间关系的性质和计算差值的技巧得到半数迭代法;最后,考虑只进行一次查找得到一次迭代法。在UCI上的5个数据集上(IRIS、SEEDS、WINE、WIFI_LOCALIZATION和HTRU2)验证了两种算法的聚类性能并没有因为求解的是近似质心而降低;进一步在ANURAN CALLS数据集上构造了8组数据量递增数据用于验证基于不同质心求解算法的IT2FCM和基于提出的近似质心求解算法的IT2FCM运行速度,实验结果表明:基于近似质心求解算法的IT2FCM运行速度较快,所以提出的近似质心求解算法能够在一定程度上缓解IT2FCM复杂度过高的问题。展开更多
为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出...为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。展开更多
针对传统的模糊C均值聚类算法(Fuzzy C-Means,FCM)对处理月亮型数据表现欠佳的问题,提出一种基于模糊类中心点的近邻点扩展聚类算法(Nearest Neighbor Extended clustering algorithm based on Fuzzy class center,NNE-FC)。算法首先不...针对传统的模糊C均值聚类算法(Fuzzy C-Means,FCM)对处理月亮型数据表现欠佳的问题,提出一种基于模糊类中心点的近邻点扩展聚类算法(Nearest Neighbor Extended clustering algorithm based on Fuzzy class center,NNE-FC)。算法首先不断迭代聚类中心点以及“隶属度”,直到“隶属度”不再发生较大变化,得到最佳的聚类中心,然后通过聚类中心点选择最近的数据点进行扩展,以聚类中心点到最近邻点的距离为半径,将邻域内不小于Minpts的数据点进行邻域扩展,将扩展的对象划分到同一簇内,最终得到聚类结果。通过实验研究验证,改进后的算法可以将月亮型数据集成功划分为不同密度的簇。展开更多
文摘针对现有质心求解算法仍具有较高计算复杂度,导致区间二型模糊C均值聚类算法(Interval Type-2 Fuzzy C-Means,IT2FCM)运行速度不理想问题,提出了半数迭代法和一次迭代法两种近似质心求解算法。首先,在直接求解转换点问题质心求解算法(A Direct Approach for Determining the Switch Points in the Karnik–Mendel Algorithm,DA)的基础上,借助二分查找思想,构造出基于二分查找的质心求解算法;接着,以该算法为基础,通过限制查找范围,考虑两个转换点之间关系的性质和计算差值的技巧得到半数迭代法;最后,考虑只进行一次查找得到一次迭代法。在UCI上的5个数据集上(IRIS、SEEDS、WINE、WIFI_LOCALIZATION和HTRU2)验证了两种算法的聚类性能并没有因为求解的是近似质心而降低;进一步在ANURAN CALLS数据集上构造了8组数据量递增数据用于验证基于不同质心求解算法的IT2FCM和基于提出的近似质心求解算法的IT2FCM运行速度,实验结果表明:基于近似质心求解算法的IT2FCM运行速度较快,所以提出的近似质心求解算法能够在一定程度上缓解IT2FCM复杂度过高的问题。
文摘为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。
文摘针对传统的模糊C均值聚类算法(Fuzzy C-Means,FCM)对处理月亮型数据表现欠佳的问题,提出一种基于模糊类中心点的近邻点扩展聚类算法(Nearest Neighbor Extended clustering algorithm based on Fuzzy class center,NNE-FC)。算法首先不断迭代聚类中心点以及“隶属度”,直到“隶属度”不再发生较大变化,得到最佳的聚类中心,然后通过聚类中心点选择最近的数据点进行扩展,以聚类中心点到最近邻点的距离为半径,将邻域内不小于Minpts的数据点进行邻域扩展,将扩展的对象划分到同一簇内,最终得到聚类结果。通过实验研究验证,改进后的算法可以将月亮型数据集成功划分为不同密度的簇。