基于核的模糊聚类算法

在聚类分析中,模糊c-均值算法是应用最广泛的聚类算法之一,针对该算法对初始化敏感,容易陷入局部极小点的缺点,论文提出了一种基于核的模糊聚类算法。在算法中将核方法与模糊可能性算法相结合,将模糊c-均值算法结果作为初始中心,放松了对隶属度归一化的条件,对噪声有更好的处理能力。IRIS数据和人造数据的实验结果表明该算法的有效性。

基于脉内特征的雷达信号分选新方法

提出了一种基于脉内特征和基于核方法的模糊C-均值算法(KFCM)相结合的雷达信号分选方法。首先利用小波变换法提取雷达信号的脉内特征,然后基于KFCM对信号进行分选。计算机仿真表明,在满足一定信噪比的条件下,该方法可以准确地实现雷达信号的分选。

FCM与KFCM-Ⅱ算法在医学MRI图像分割中的应用

医学图像分割在医学图像处理,尤其是临床诊断的MRI图像分析中起着重要的作用。由于医学成像过程中存在着各种退化因素,当前各种分割算法仍难以很好地满足高层应用的需求。为解决这一问题,FCM(Fuzzy C-means clustering)算法和它的核方法版本KFCM(Kernel-based FCM)可以应用于图像分割以取得更好的性能表现。对FCM和KFCM-Ⅱ算法应用于MRI图像分割进行了比较,讨论了在这两种算法中应用灰度有偏场纠正的效果。实验结果表明,在FCM和KFCM-Ⅱ中采用有偏场模型可以取得更好的分割性能。