一种基于模糊核聚类算法的图像分类方法

聚类分析是数据分析的一个重要方法.通过引用核函数,将核方法应用到模糊C均值(Fuzzy c-Means,FCM)算法中,优化FCM算法的目标函数,使样本点被非线性变换映射到高维特征空间进行聚类,不仅改善了聚类效果,而且增强了算法对噪声的鲁棒性.在真实样本集上进行了仿真实验,分类结果证实了该算法的有效性和普适性,因而是一种较为简单和实用的图像分类方法.

一种改进的模糊核聚类图像分割算法

模糊核聚类算法已广泛应用于图像分割领域,然而该算法对初始值的选取、噪声以及图像灰度不均匀比较敏感。针对该问题,提出了一种改进的模糊核聚类图像分割算法。将改进的最大类间方差法(Otsu)引入模糊核聚类算法中,结合图像的概率信息和空间信息,得到了一种高效、实用的图像分割方法。实验结果表明,改进算法具有较强的抗噪能力,较高的分割精度,可以用于工程实际。

基于Otsu和模糊核聚类算法的极化SAR图像分类

随着极化技术的发展,越来越多的高分辨率SAR图像出现,对其分类成为一个耗时的工作。针对该问题,提出了基于Otsu和模糊核聚类算法的极化SAR图像分类。将SAR图像分类分为两步,第一步借助Otsu法进行粗略分割,将图像转化为若干个区域;第二步利用模糊核聚类算法将第一步剩下的像素进一步分类。实验结果表明,该算法既可保持较高的分类精确度,又可保证较快的计算速度。

核模糊C均值聚类算法优选BDS-3三频组合观测值

目前对全球导航卫星系统(global navigation satellite system,GNSS)三频组合观测值优选的研究,主要集中在全球定位系统(global positioning system,GPS)和北斗二号(beidou navigation satellite system,BDS-2)上,对BDS-3的研究相对较少。为克服以往聚类优选算法中存在的仅适用于类球形簇、聚类数目和初始聚类中心的确定主观性强、对离群点敏感、易陷于局部最优等不足,提出一种改进的核模糊C均值聚类算法,引入核函数与抑制离群点的新距离度量,基于多类广义核极化准则优化核参数,用改进爬山法确定聚类数目与初始聚类中心。然后,以模糊C均值聚类算法为对照进行了对比实验,在短、长两种基线下分别解算组合模糊度。通过对优选所得代表性组合的模糊度固定成功率进行对比分析,验证了该算法的可行性与算法改进的有效性。

基于粒子群算法的无线传感网络大数据聚类优化方法

大数据聚类在无线传感网络数据处理领域中具有重要意义,但是大数据聚类方法存在聚类效果不佳、Jaccard系数较低等问题,提出基于粒子群算法的无线传感网络大数据优化方法。该方法结合主成分分析方法和信息熵降维处理大数据,减少数据聚类所需的时间,采用直觉模糊核聚类算法聚类大数据,引入粒子群算法,优化直觉模糊核聚类方法,利用优化后的算法获得无线传感网络大数据聚类的优化结果,实现大数据聚类。仿真分析结果表明,所提方法的聚类效果较好,Jaccard系数在0.70以上,数据平均熵仅为0.36,并且时间复杂度仅为26.3%,该方法的应用价值更高。

基于核模糊聚类的变分水平集医学图像分割方法

针对现有无须重新初始化的变分水平集分割模型,存在对边缘模糊、对比度差等图像不是很敏感、分割效果不理想的问题,提出了一种基于核模糊聚类的变分水平集医学图像分割方法。将原始图像进行核模糊C-均值聚类,把得到的聚类结果带入初始化水平集函数得到初始轮廓,最后利用李模型的分割方法实现最终的图像分割。实验结果表明,该方法具有良好的分割质量,适应性强,同时可减少迭代次数。

基于改进遗传模糊聚类和水平集的图像分割算法

针对传统的模糊聚类算法(FCM)容易陷入局部最优,水平集方法 (Level set)容易受初始边界和控制参数的影响等问题,引入具有全局搜索能力的遗传算法(GA)初始化聚类中心,提出改进的模糊聚类算法分割得到目标的粗边缘,利用水平集方法强大的演化能力收敛到目标边缘。该算法可以减少水平集方法控制参数的个数,降低计算的复杂度,提高分割速度。实验在多目标轮廓图像、轮廓不清晰图像上进行,实验结果表明,该方法能够很好地检测出多目标及弱边缘图像的轮廓,在乳腺X线图像中,肿块的分割精度、过分割率和欠分割率分别为98.35%,0.27%和1.12%,优于同类算法。

基于模糊核C-均值聚类分析的HRRP识别

由于雷达目标及其所处环境的复杂性,导致目标之间的关系往往是非线性的,因此,基于核方法的模式识别方法被广泛应用于雷达目标识别中。在对模糊核C-均值聚类算法深入研究的基础上,提出一种基于模糊核C-均值聚类的高分辨距离像识别算法。该算法针对特征提取后一维距离像数据的特点,采用组合核函数以降低由于数据属性数值过大造成的权重过大对识别效果的影响;同时,算法可以在训练过程中通过有效性函数自适应地确定最佳聚类数目。仿真实验结果表明,基于组合核函数的识别算法同基于传统的高斯核的算法都能有效识别雷达目标,但前者具有更高的目标识别率。

基于模糊核均值聚类优化的光流测速方法

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。

岩心颗粒彩色图像的多维特征KFCM聚类分割算法

岩心颗粒的彩色图像包含的信息具有复杂性和多样性,除了人眼视觉系统容易感知的颜色与空间形状特征之外,还隐含着更深层次的纹理特征信息。提出一种多维特征核模糊C均值(Kernel Fuzzy C-Means,KFCM)聚类分割算法:首先使用Gabor滤波器组在频域的不同尺度和方向上对岩心颗粒彩色图像进行卷积滤波处理,并将Gabor滤波结果作为频谱的局部纹理特征;然后将纹理特征、颜色特征以及图像像素点空间位置信息合并到核模糊C均值聚类算法中,从而实现岩心颗粒彩色图像的分割。结果表明:与其他算法的分割结果相比,多维特征KFCM聚类分割算法能更准确地识别不同类型的岩心颗粒的彩色图像,获得了良好的分割结果。

一种基于KFCM的SVM遥感图像机场目标分类算法

在遥感图像机场目标分类方面,支持向量机(SVM)有着广泛的应用,但由于样本不平衡问题以及不确定性数据的存在,传统SVM算法的分类精度与效果还无法令人满意。为提高传统SVM分类器的性能,文章将建立在模糊理论基础上的模糊核C-均值聚类算法(KFCM)用于处理遥感数据的不确定性问题,并通过聚类分析后的目标子图,剔除非目标样本的同时保留了目标样本,较好地解决了样本不平衡问题。将基于KFCM的SVM分类算法用于遥感图像机场目标的分类,实验结果和性能分析表明该算法分类性能优于传统SVM算法。

基于动态加权模糊核聚类算法的医学图像分割新方法

采用动态加权的模糊核聚类算法对CT医学图像进行分割.该算法对模糊核聚类算法中的特征向量进行动态加权,以自动削弱噪声特征向量在聚类中的作用,这样可以减小噪声对图像分割的干扰.实验结果表明,采用该种新算法对CT图像分割后,可以获得更清晰的分割图像.

复杂产品多故障诊断中的核模糊聚类方法

多故障作为标准单故障的组合,很多文献对多故障的诊断都提出行之有效的解决策略,但却忽视单故障模式之间的相互关系,而影响到多故障诊断效率,尤其对于故障繁多的复杂产品.为了克服该缺点,引入KFCM-F算法和核化聚类有效性指标KV_k,提出两阶段聚类框架,数据仿真试验证明该框架能有效发现单故障之间的潜在关系,从而达到压缩故障模式以期提高诊断效率的目的.

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题,提出了一种基于变分模态分解(variational mode decomposition,简称VMD)与核模糊C均值聚类算法(kernel fuzzy C-means clustering,简称KFCM)联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解(empirical mode decomposition,简称EMD)方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。

基于KFCM算法对MRI图像分割的研究

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作用,提出一种基于核模糊C均值聚类算法(KFCM)的MRI脑图像分割,讨论KFCM算法中隶属度m参数和聚类数目k的选取对图像分割的效果影响,通过仿真实验表明,对于MRI脑图像隶属度函数值在2≤m≤11整数时,图像能取得较好效果,对于聚类数目k选取不易超过8.

相对变换KFCM的变压器油击穿电压预测

针对变压器油击穿电压在线测量困难,基于多模型结构可以提高预测精度和鲁棒性的思想,提出基于相对变换核模糊C均值聚类（Kernel Fuzzy C-means, KFCM）算法的变压器油击穿电压预测建模方法。首先,采用相对变换将原始数据空间变换到相对空间,抑制数据噪音,提高数据之间的可区分性;在相对空间中利用KFCM算法将样本划分成不同的子类,同时,对KFCM核参数和聚类数采用差分进化算法进行优化;然后,利用核主元分析（Kernel Principal Component Analysis, KPCA）对相对空间进行特征提取,降低数据维数、提取数据非线性主元作为各子类构建的最小二乘支持向量机（Least Squares SVM, LSSVM）模型的输入;最后,对子类LSSVM综合加权得到最终输出。将所提出的方法与KFCMLSSVM方法进行比较,实验结果表明所提方法具有良好的预测精度和泛化性能。

基于风电故障机组筛选的齿轮箱故障诊断研究

利用改进粒子群优化模糊C均值聚类算法对双馈风力发电机组群进行故障机组分类,并提出基于改进粒子群优化的模糊核聚类算法对双馈风力发电机组齿轮箱的已知以及未知故障进行诊断分类。通过分析实际风电场采集得来的齿轮箱振动数据,验证所提方法不仅可以准确快速地判断出故障机组,而且还可以进一步对发生的已知故障以及未知故障进行一个很好的诊断。

基于轨迹大数据的城市交通状态识别研究

对城市交通状态的有效识别与评估有助于提高城市交通精细化管理水平和应急响应能力。以轨迹大数据为基础,提出基于多个交通要素的城市交通状态识别模型。首先建立基于路段平均速度、交通流密度、行驶时间指数、拥堵指数和车道占有率的交通状态识别的综合指标体系,并以交通时空大数据为基础,结合主成分分析方法构建综合指标体系中各个指标的客观权重。进一步根据交通状态的模糊性,建立基于核模糊C均值聚类的交通状态识别模型。最后以兰州市出租车GPS数据为基础,对兰州市的城市交通状态进行识别和划分,分析了兰州市的交通状态的时空演化特征。实验结果表明,兰州市交通状态分为5个等级,城市交通整体上呈现拥堵状态,且拥堵路段空间分布有较大差异,集聚特征比较明显。