基于核模糊C-均值和EM混合聚类算法的遥感图像分割

针对聚类算法在应用中分割速度慢、抑制噪声能力弱等问题,本文提出一种基于核模糊C-均值(Kernel Fuzzy Cmeans,KFCM)和融合期望最大化(EM)算法混合聚类的遥感图像分割。首先给原始KFCM算法引入隐含变量来对像素预定义类别,然后利用EM算法评价预定义的类别是否最优,以此完成对遥感图像的聚类分割。在利用EM算法进行评价时,对KFCM引入空间邻域信息,采用惯性权重对其初始化参数进行优化增强算法效率。与传统的聚类分割方法进行比较,研究结果表明,该方法速度快、效果好、精度也能满足应用要求,具有较高的应用价值。

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。

基于连续域混合蚁群优化的核模糊C-均值聚类算法研究

为进一步提高核模糊C-均值聚类算法的聚类性能,提出基于连续域混合蚁群优化的核模糊C-均值聚类算法(KFCM-HACO),使用HACO对KFCM算法的内核函数参数值和聚类中心进行优化,克服传统算法弊端,使核模糊C-均值聚类算法的目标函数最小化,加快算法的收敛速度.该优化算法在UCI数据集上的仿真实验及结果比较表明,KFCM-HACO算法的聚类性能优于传统的聚类算法,提高了聚类的准确性.

基于核模糊c-均值聚类与阈值分割的SAR影像分割算法

由于SAR影像存在强烈的相干斑点噪声,传统的方法分割方法存在缺陷。文章在SAR影像分割研究中引入模糊聚类分析,设计了基于核模糊c-均值聚类与阈值分割结合的SAR影像分割算法,对SAR影像实现分割实验,通过实验分割结果的分析,证明了算法的可靠性。

基于自适应正则化的核模糊C-均值聚类图像分割

模糊聚类是将模糊集的概念应用到传统聚类分析中,让数据集的对象在分组中的隶属用隶属函数来确定,隶属度函数更好地描述边缘像素亦此亦彼得特点,对象在各分组中的隶属度为连续区间[0,1]之间的某个值,以不同程度隶属于多个簇,而非确定硬聚类中的0或1的二值逻辑。模糊C-均值聚类算法是模糊聚类中的一种经典算法,如果样本空间是非线性可聚的,该聚类不能效果就不理想。而核模糊C-均值聚类利用特征映射很好解决了这个问题。最后用正则化参数来提高分割的鲁棒性和提高图像的细节。提出了加权图像,并采用高斯径向基函数。

基于模糊核加权C-均值聚类的高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容之一。模糊C-均值聚类算法因其算法简单、收敛速度快等优点受到广泛的关注。由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值均聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。

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。

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.

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。

基于核模糊聚类优化算法的脑核磁共振图像分割研究

目的:脑核磁共振(MR)图像中普遍存在噪声的影响,传统的核模糊C-均值(Kernel Fuzzy C-means,KFCM)算法无法得到理想的脑组织分割结果,为此提出一种基于核模糊聚类优化算法的分割模型。方法:首先通过粒子群算法确定KFCM的初始聚类中心,然后利用自适应中值滤波消除图像中的噪声,最后采用该模型分别对不同的图像进行实验。结果:该方法不仅能迅速确定图像的初始聚类中心,并且有效地消除图像中的噪声。结论:与传统KFCM算法相比,提出的模型具有更高的精确度和分割效率。

基于直觉模糊核聚类的弹道中段目标识别方法

针对现有的模糊核聚类算法性能的问题,汲取直觉模糊c-均值聚类(intuitionistic fuzzy c-means,IFCM)算法的动态聚类特性优势,引入高斯核函数,改良归一化条件,提出直觉模糊核c-均值聚类(intuitionisticfuzzy kernel c-means,IFKCM)算法,并通过实际数据测试,证实了该算法的可行性和有效性。最后,根据弹道中段目标识别仿真系统的要求及弹道目标识别的特点,设计并实现了基于直觉模糊核c-均值聚类的弹道中段目标识别(intuitionistic fuzzy kernel c-means-target recognition in ballistic midcourse,IFKCM-TRBM)原型系统,仿真实验及对比分析充分表明该原型系统的稳健可行性,为弹道中段目标识别提出了一种新的参考和尝试。

基于核的直觉模糊聚类算法

针对现有的直觉模糊聚类算法性能的问题,提出一种基于核的直觉模糊聚类算法(IFKCM)。该算法引入高斯核函数,将直觉模糊集合从原始观察空间映射到高维特征空间,减少了计算时间且提高了聚类精度;同时改进了现有的直觉模糊聚类算法中的概率型约束条件,使其对噪声和野值点具有较好的鲁棒性。最后,通过实际数据和人工数据与常用聚类算法进行了对比实验,结果表明该算法较大幅度地提高了直觉模糊聚类算法的性能。

一种模糊核聚类算法的改进

从计算方法角度对算法进行改进,引入高斯核函数,改良归一化条件并对迭代过程加以简化,从而改进了模糊核C均值算法。算法性能速度较经典的聚类算法有了较大改进,聚类结果更为快速稳定,并可在多种数据结构条件下进行有效的聚类,计算时间显著减少,克服了传统的模糊核C-均值算法计算时间较长,在样本集不理想的情况下可能导致结果不好等不足。实验结果证实了该改进算法有效性。

联合改进核FCM与智能优化SVR的WSNs链路质量预测

为提高无线传感器网络(WSNs)链路质量预测精度和降低噪声影响,提出了一种联合改进核FCM与智能优化SVR(improved kernel furry c-means and intelligent support vector regression,IKFCM-ISVR)的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法,实现样本集聚类个数自动划分;然后采用改进核FCM方法对链路质量样本数据进行处理,获得样本聚类隶属度;在此基础上,构建群居蜘蛛优化SVR预测模型,采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化,得到不同聚类最佳SVR参数组合;最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明,同其它预测算法相比,该算法预测精度提高了36.8~68.4%.

自适应半监督模糊谱聚类算法

半监督聚类利用少部分标签的数据辅助大量未标签的数据进行非监督的学习,从而提高聚类的性能。大部分的谱聚类算法都需事先确定聚类数目,利用半监督机器学习技术和自适应聚类算法,解决算法中存在的聚类数目需要事先确定、易陷入局部最优、收敛速度缓慢、对孤立点敏感等缺陷。实验证明该算法有很好的聚类效果。

基于改进磷虾群优化的中心极大化KFCM算法在IDS的应用

针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

基于NSCT和KFCM聚类的图像边缘检测方法

为进一步提高现有图像边缘检测方法的性能,提出了一种基于非下采样Contourlet变换(NSCT)和核模糊c-均值(KFCM)聚类的图像边缘检测方法.首先通过NSCT将原始图像分解成低频分量和高频分量;然后对含噪声较少的低频分量提取边缘信息,并采用KFCM聚类算法进行聚类得到低频边缘图像,以提高定位精度,而对于边缘细节信息较多的高频分量各个子带,通过模极大值检测边缘以减少伪边缘,丰富图像细节;最后对低频和高频图像边缘进行融合得到完整的边缘.实验结果表明,相比于Canny方法、边缘检测算子与模糊聚类结合的方法、边缘信息与混沌粒子群优化的模糊聚类结合的方法、NSCT域模极大值方法,文中方法具有更好的边缘检测效果,边缘定位准确、完整、连续、细节丰富.

基于Boltzmann选择的人工蜂群KFCM算法

为提高算法的搜索效率、减少搜索过程中陷入局部最优的现象,将人工蜂群算法用于核模糊C-均值聚类,但在聚类数比较大和维度较高时效果不太好,为此引入Boltzmann选择机制代替轮盘赌的选择方式,并采用小区间生成法使初始群体均匀化,使得该算法的全局寻优能力更强,有效克服了KFCM算法易陷入局部最优的缺点.实验结果表明,对于聚类数比较大、维度较高的数据样本,新算法与FCM和KFCM聚类算法相比,聚类效果更准确,效率更高,迭代次数更少.

一种基于改进混合蛙跳的KFCM算法

针对核模糊C-均值(KFCM)聚类算法存在易陷入局部极小值,对初始值敏感的缺点。将混合蛙跳算法(shuffled fro gleaping algorithm,SFLA)用于KFCM中,但在聚类数较大和维数较高时,聚类效果不理想,为此提出将自适应惯性权重引入混合蛙跳算法的更新策略中,再用改进后的混合蛙跳算法求得最优解作为KFCM算法的初始聚类中心,利用KFCM算法优化初始聚类中心,求得全局最优解,从而有效克服了KFCM算法的缺点。人造数据和经典数据集的实验结果表明,新算法与KFCM和FCM聚类算法相比,寻优能力更强,迭代次数更少,聚类效果更好。

基于IKFCM与多模态SSO优化SVR的光伏发电短期预测

为提高短期光伏发电功率预测精度和降低气候等因素对预测结果的影响,提出了一种基于IKFCM与多模态SSO优化SVR的光伏发电功率短期预测方案。首先采用改进的KFCM(Improved KFCM, IKFCM)聚类方法对训练样本集进行处理,通过引入紧致离散聚类有效性指数,在提高IKFCM聚类准确率的同时实现了自动划分训练样本集,有效降低了样本数据差异对预测性能的影响。然后构建与训练样本集分类一一对应的SVR预测模型,并采用多模态SSO优化(Multi-mode SSO, MSSO)算法对SVR模型参数进行优化,进而得到不同分类的最优SVR参数组合。最后,运用MSSO优化SVR模型对测试数据进行预测评估。仿真结果表明,该方案实现了不同天气下短期光伏发电功率准确预测,而且同其他预测算法相比预测精度提高了25.2%～37.8%。