基于半监督核模糊c-均值算法的北京一号小卫星多光谱图像分类

针对遥感图像数据大多不服从高斯分布以及遥感图像分类存在非线性、模糊性和标记数据少等问题,提出基于半监督核模糊c-均值算法的多光谱遥感图像分类方法。首先,把半监督学习理论和核理论同时引入模糊c-均值算法,形成半监督核模糊c-均值算法。然后,用该算法与k-均值算法、最大似然算法、多类支持向量、半监督核支持向量、模糊c-均值算法、核模糊c-均值算法和半监督模糊c-均值算法对IRIS数据和北京一号小卫星多光谱图像进行分类试验。最后,对其分类结果进行评价。结果表明,对比其他分类算法,半监督核模糊c-均值算法能显著提高分类精度。

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.

基于半监督学习的K-均值聚类算法研究

定义了一个欧氏距离和监督信息相混合的新的最近邻计算函数,从而将K-均值算法很好地应用于半监督聚类问题。针对K-均值算法初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,迭代搜索找到较优的聚类质心,同时提出动态管理种群的策略以提高粒子群算法搜索效率。算法在UCI的多个数据集上测试都得到了较好的聚类准确率。

双重模糊K-均值算法的分类器设计

为了提高分类器的分类率,再一次把模糊的思想引入K-均值算法,构成双重模糊K-均值算法的分类器,所不同的是把模糊化思想引入到分类规则上;用这样一个模糊规则来表示分类的模糊系统,更加有效地构建了一个能够对训练样本比较准确分类的模糊分类器,用这种方法设计的分类器有效地提高了分类器的分类率;最后用Iris数据进行仿真测试,测试结果显示其分类率能够达到98%左右,并且不需要预定义参数,训练时间短,方法简单。

基于模糊K-均值算法的模糊分类器设计

基于模糊K-均值算法的模糊分类器,就是把目前比较常用的模糊K-均值算法的聚类方法,再一次与模糊分类规则提取相结合而得到的一种分类器。它是一种很有效的模糊分类器,训练样本能正确的分类。在这种方法中,首先用模糊K-均值算法按剖分和覆盖的原则把训练样本分成群,并且每一群的中心和半径都被计算出来。然后,设计一个用模糊规则来表示分类的模糊系统。这样就有效地构建了一个能对训练样本比较准确分类的模糊分类器。用这种方法设计的分类器不需要预定义参数、训练时间较短。

半监督中心最大化模糊C均值算法

在模式识别领域内,对于数据的分析方法一般分为:有监督的学习方法及无监督的学习方法。而这两类方法均与实际应用不符,一般生产所获之数据既不可能毫无信息可知又不可能全部信息已知。此外,由于实际生产的干扰因素过多导致所获之数据样本信息通常包含一些干扰信息,这些数据对传统的分析方法影响较大,其中尤以聚类方法最为敏感。针对以上两大问题,以经典的无监督聚类算法FCM算法为基础,通过引入半监督性质的隶属度补偿项以及减弱干扰点影响的中心最大化项构造出了新的聚类算法称之为半监督中心最大化模糊C均值算法,简称SCM-FCM。通过在UCI数据集上的仿真实验结果表明该算法较之于传统的无监督聚类分析方法有着更好的应用价值。

基于支持向量机与模糊k-均值算法的部位外观模型

利用梯度方向直方图(HOG)建立的部位外观模型存在两个缺陷:不同部位采用相同的细胞单元尺寸,以及线性支持向量机(SVM)分类器不能准确表征部位定位状态与外观模型的相似度。为克服这两个缺陷,建立了一种基于SVM和模糊k-均值算法的部位外观模型。部位外观模型由两个分类器构成,线性SVM分类器用于判断部位定位状态是否属于人体部位,相似度分类器由部位定位状态与利用模糊k-均值算法确定的部位聚类中心的归一化欧氏距离来构造,用于计算部位定位状态与外观模型的相似度。仿真实验结果表明,与利用SVM算法和相同细胞单元尺寸建立的基于HOG特征的部位外观模型相比,新模型建立的部位外观模型能更准确地描述真实人体部位的外观特征,用于基于树形图结构模型的人体姿态估计时准确度也更高。

基于模糊k-均值算法模型的土壤数值化分类——以河南省境内分布的雏形土为例

本研究基于《中国土系志·河南卷》中的97个雏形土土壤样本点,根据土壤系统分类标准遴选并确定用于划分雏形土纲中不同层级分类单元的16个土壤诊断层和诊断特性,并依据这些不同指标的属性特征值和不同层级指标的权重建立属性数据集。基于此数据集运用模糊k-均值算法模型,确定6个聚类中心土壤,计算样本土壤与中心土壤之间的分类距离,并对研究区97个土壤样本实施数值化分类。研究表明,基于97个样本点与各中心土壤之间的分类距离进行土壤数值化分类,并通过检验数值化土壤分类结果与谱系式层级土壤分类单元的一致性,可以评价传统的谱系式层级土壤分类系统的合理性。

基于隶属度改进的模糊K-均值算法

通过对模糊聚类K-均值算法进行分析,针对隶属度归一可能引起结果偏差,对隶属度进行了改进,并进行了实验比较,验证了改进的有效性。

基于CSA无监督模糊聚类算法的异常检测方法

为解决模糊k-均值算法对初始化敏感及易陷入局部极值的不足,提出了基于克隆选择算法(CSA)的无监督模糊聚类异常入侵检测方法.应用结合了具有进化搜索、全局搜索、随机搜索和局部搜索特点的克隆算子快速得到了全局最优聚类,并应用模糊检测算法检测网络中的异常行为模式.该方法的优点是不需要人工对训练集分类,并且可以检测出未知的攻击.仿真试验表明,该方法不但能检测出未知的攻击,而且具有较低的误报率和较高的检测率.

基于半监督模糊C均值算法的遥感影像分类

遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法(SS-AIT2FCM)。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。

基于K-均值算法的模糊分类器设计

基于K-均值算法的模糊分类器具有很好的分类效果 ,用它可以很准确的对训练样本进行分类 .此方法是将K -均值算法应用于训练数据的聚类 ,对每个聚类的半径和聚类的中心都是可计算的 .而模糊系统设计方法就是用模糊度来描述聚类 ,对训练数据进行高效且准确的分类 .这种方法有下面几个特点 :(a)不要预定义参数 ;(b)训练时间短 ;(c)简单 ;最后用一个例子对这种模糊分类器进行分析验证 .

基于隶属度改进的模糊K-均值算法

本文对模糊聚类K-均值算法进行了分析,针对隶属度归一可能引起结果偏差,对隶属度进行了改进,并进行了实验比较,验证了改进的有效性。

一种基于二型模糊集的模糊k-平面聚类算法

当数据分布在超平面周围时,k-平面模糊聚类算法是一种可行的聚类算法,但在隶属度的描述上,该算法仍然有改进的空间.基于二型模糊集,提出了一种二型k-平面模糊聚类算法,通过寻找最佳的聚类指标对二型模糊集进行降型,使该算法达到更好的聚类效果.在加入了噪音的人工数据集上,对比传统的模糊聚类算法(FCM)和模糊k-平面聚类算法(FKPC),提出的二型模糊聚类算法具有更好的抗噪性能,也能对数据点进行更准确的聚类.

矢量量化的遗传k-均值算法

提出了一种遗传k-均值算法，该算法通过改进标准遗传操作及采用可变变异率，使 其在矢量量化应用中表现出很好的性能。实验证明，该算法能够获得质量高于k-均值和模糊 k-均值算法的矢量量化码书，为设计全局最优码书提供了新思路。

基于FCM的无监督最优模糊聚类算法

基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c。通过对距离测量尺度的改进,使聚类不受类形状的影响,以达到具备更高准确率的聚类效果。仿真实验结果表明,新算法不仅能准确找出聚类数,而且跟单纯的模糊c均值算法比,具有更好的聚类效果。

一种基于k维树的模糊C均值聚类算法

初始聚类中心的选择极大地影响了模糊C均值聚类算法的性能,一个好的初始聚类中心能显著加快算法的收敛速度和减少算法的运行时间。本文提出一种新的基于k维树的模糊C均值聚类算法。通过使用k维树的方法分割原始数据集得到多个网格,并选取网格的加权中心作为新的数据点构成一个简化的数据集,在此基础上可快速查找一组距离实际聚类中心较近的初始聚类中心,显著减少模糊C聚类算法的迭代次数。通过在16个人工数据集和一组真实图像数据上的实验结果表明,数据集的数据量较大时,在不损失聚类精确度的情况下,本算法相对于普通的模糊C均值聚类算法,收敛速度提升了近2倍,算法的运行时间也缩短到经典FCM算法的一半以下。

基于模糊k-均值聚类模型的移动终端业务故障诊断

为了准确、有效的排除移动终端上潜在的业务故障,文章建立基于模糊k-均值的聚类模型。首先引入用户终端的业务隶属度来反映用户的偏好,根据业务隶属度情况,提出基于用户行为k-均值算法聚类模型,实现对用户的划分;其次,通过定义不确定关系矩阵,建立基于业务隶属度的模糊聚类模型,由综合业务隶属度和业务历史故障率的因素建立优先业务诊断集合的选取模型。

基于层次的模糊K均值聚类算法研究

通过对K均值聚类算法的研究,本文提出了一种基于层次聚类与模糊聚类思想的K均值聚类算法。算法首先使用层次方法对数据进行初始聚类,然后用得到的聚类数作为模糊K均值聚类中的K值,对聚类进行修正。最后通过实验,验证了该算法不需要人为假设聚类算法中的K值,而且引入了模糊隶属关系使类别的划分更接近于事实,从而证明了该算法的有效性。

半监督FCM聚类算法目标函数研究

分析了现有半监督FCM算法目标函数的物理意义和平衡系数α的选取,说明Stutz对Pedrycz目标函数的修改使半监督的物理意义更清楚,它在α=1,0时均退化为标准FCM算法,给出了修改后SS-FCM算法的交替求解过程。实验结果:(1)修改算法与Pedrycz算法有相同的半监督作用和清楚的物理解释;(2)对labeled样本采用FCM算法赋值比用随机数的收敛稳定性高;(3)优选的少量labeled样本,使用模糊协方差的SS-CFCM算法提高了聚类准确性和收敛速度。