基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

基于模糊C均值聚类的高铁动车组电缆终端局部放电识别

局部放电检测作为一种诊断车载电缆终端绝缘状态的有效手段,在列车实际运行环境中面临强干扰问题,为此文章提出了一种基于波形参数分析和模糊C均值聚类的车载电缆终端局放脉冲干扰分离策略。在实验室搭建了局部放电测试平台并采用高频电流法(HFCT)获取了电缆终端的局放信号和典型脉冲干扰信号,通过对脉冲单波进行包络处理,提取脉冲的3个参数作为特征向量,然后采用模糊C均值聚类方法对局放信号与脉冲干扰信号进行分离。试验结果表明,该方法能够有效地将局放信号与脉冲干扰信号分离,减小脉冲干扰信号对局部放电检测的影响,对提高局放手段评估车载电缆终端绝缘状态的准确性具有一定意义。

基于模糊局部信息C均值算法的网目调光谱反射率预测模型研究

提出了一种网目调光谱反射率预测方法。网目调单个网点由若干个区域组成:网点核心区域,该区域的油墨层厚度均匀,且等于实地印刷的油墨层厚度;其余边缘区域有一个模糊的厚度分布函数,这部分油墨层厚度比实地油墨层厚度薄,且越靠近网点边缘油墨层厚度越薄。采用模糊局部信息C均值算法按像素密度值聚类网目调单个网点,得到了层次分明的网点密度分布并计算各个层次的面积率。以此建立了一个新的光谱反射率预测模型,该模型预测的光谱反射率与实际印刷样张测量得到的光谱反射率具有很好的光谱匹配曲线,证明该算法模型具有较高的预测精度。

可靠性模糊局部信息C均值聚类算法的苗族服饰图像分割

传统的模糊C均值(FCM)算法容易受到噪声的影响,难以对具有褶皱、污渍和色彩差异大的苗族服饰图像进行有效的分割。本文提出可靠性模糊局部信息C均值聚类算法,在FCM的目标函数中增加一个模糊因子来度量局部的相似性,充分结合空间信息与灰度信息,提高对噪声的鲁棒性。此外,引入一个模糊不确定性聚类模型,对像素进行可靠性分析,进一步降低噪声点和边缘点的影响。利用含噪的苗族服饰图像进行实验,实验结果表明本文所提算法对含噪的苗族服饰图像分割效果好,对于褶皱、污渍及色彩差异大的苗族服饰图像,本文所提算法都获得最高的划分系数和最低的划分熵,分割质量均优于对比算法。

基于快速鲁棒模糊C有序均值聚类的苗族服饰图像分割算法

苗族服饰图像具有绣线纹理复杂、色彩形状多样等特征,针对模糊C有序均值(Fuzzy C-Ordered-Means,FCOM)聚类算法在进行苗族服饰图像分割时,存在耗时长、分割效果不理想的问题,提出了一种快速鲁棒模糊C有序均值聚类算法。在FCOM算法基础上加入了竞争学习的思想,通过构造新的隶属度约束函数,对像素点进行更加强制清晰的划分,提高图像像素定位的准确性,从而加快算法的收敛速度。结果表明,本文算法在图像分割过程中能有效地降低异常值的影响,获得更加准确的分割结果。该算法在Jaccard相似系数、分割精度、Dice相似系数、模糊划分系数及模糊划分熵等性能方面均优于其他几种模糊C均值(Fuzzy C-Means,FCM)算法,且分割时间与迭代次数也优于FCOM算法。

引导模糊C均值聚类算法在联合反演综合解释中的应用

不同地球物理方法的反演结果常常存在差异,根据不同方法的联合反演结果得到最终合理解释是了解地下结构的关键。为此,提出了一种引导式模糊C均值(FCM)聚类算法,即在FCM聚类算法的基础上,结合现有地质认识,引入先验约束信息指导聚类中心的确定,对地球物理联合反演结果进行综合定量解释,旨在降低传统人工解释的主观性和局限性。模型测试表明,与传统FCM聚类技术相比,引导FCM聚类技术效果更好,特别是处理复杂地质结构的反演数据时,能够有效地区分不同地质体。实际数据的应用结果证明了引导FCM聚类技术在多属性地球物理联合反演结果综合解释中的应用潜力较大。该技术不仅提升了地球物理数据解释的科学性,而且为地下资源勘探提供了一个更可靠和精确的工具。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

结合非局部空间信息和KL信息的鲁棒FCM算法

针对传统模糊C均值(Fuzzy C-Means,FCM)聚类算法对噪声敏感的问题,提出一种结合非局部空间信息和KL信息的鲁棒FCM算法.首先,将灰度信息与非局部空间信息相融合,用于增强算法对噪声的鲁棒性;其次,在目标函数中引入KL信息,以便减少分割的模糊性.在密度为5%的混合噪声条件下,合成图像和自然图像的实验结果表明,该文算法的分割精度较高、鲁棒性较强,能较好地分割噪声图像.

基于模糊C均值聚类算法的浆液循环泵节能运行优化方法研究

在浆液循环泵运行阶段,受客观应用需求波动的影响,其功耗相对较高。为此,提出基于模糊C均值聚类算法的浆液循环泵节能运行优化方法。在浆液循环泵运行数据特征提取阶段,采用基于无监督的深度学习模型,借助随机初始化的卷积核,对输入的数据进行卷积计算,获取低维空间的特征映射,随后通过反卷积确定浆液循环泵运行参数特征;在节能运行优化阶段,引入模糊C均值聚类算法,通过聚类具有相同特征的数据,将相同聚类内功耗最小的参数作为同类运行工况下的优化结果。结果显示,测试循环泵的功耗虽然会随着通过的最大颗粒粒度的增加而呈稳定增大的趋势,但对应的增幅较小,与对照组相比,其分别在节能程度和节能适应性方面表现出了明显优势。

自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法对噪声鲁棒性差的问题,提出一种自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法.首先,通过定义平滑度,设计自适应匹配函数,实现非局部空间信息项搜索窗口和邻域窗口的自适应计算,克服非局部空间信息窗口大小固定的问题.其次,将K-L信息引入目标函数,利用隐马尔可夫模型计算图像像素的上下文信息,减少分割的模糊性.最后,利用原始图像和非局部空间信息项局部方差的绝对差和其倒数自适应约束原始图像和非局部空间信息项,实现约束项参数的自适应选择,提高算法的灵活性.含噪合成图像和彩色图像分割实验表明,该算法在分割精准度、平均交互比、归一化互信息、模糊分割系数和模糊划分熵等性能方面均优于其他几种FCM算法.例如,在混合噪声密度为15%的条件下,算法的模糊分割系数和模糊划分熵分别达到99.92%和0.14%.

模糊局部信息C-均值聚类算法的修正

针对模糊局部信息C-均值(fuzzy local information C-means,FLICM)聚类算法因其局部空间信息的局限性而导致图像分割结果存在误差的问题,改进FLICM算法的相似度测量因子,并考虑邻域空间距离、灰度信息以及灰度方差对分割效果的影响,提出一种用于图像分割的模糊局部信息C均值的修正算法(WFLICM).实验结果表明,WFLICM能够估算邻域像素的衰减程度,提高图像的分割性能,在抑制噪声的同时更好地保留图像细节,且具有更好的抗噪鲁棒性.

基于IHBA优化模糊C均值的三维WSN分簇路由算法

针对分簇路由算法在三维场景下能量消耗大、网络生存周期短的问题,提出了一种基于改进蜜獾算法优化模糊C均值的三维无线传感网分簇路由算法IFCRA。IFCRA分别对网络成簇、簇首选举以及数据传输阶段进行了优化。首先,采用改进蜜獾算法优化模糊C均值算法,解决模糊C均值易陷入局部最优的问题,并综合节点的距离和能量特征划分拓扑结构。其次,结合簇内节点的能量和相对距离构建最优簇首函数,平衡簇首负载。最后,采用自适应传输机制寻找中继节点,综合节点距离和能量构建最优传输路径函数,采用改进蜜獾算法进行寻优,均衡数据传输能耗。仿真结果表明,IFCRA在三维异构场景中分簇合理、能耗均衡且生存周期长。

基于放电曲线和模糊C均值法的退役电池一致性分选方法

在电动汽车井喷式增长的背景下,巨量退役的动力电池如何回收成为当前电动汽车行业亟待解决的问题。考虑到退役电池容量、内阻等性能会出现较大的不一致性,在对退役电池梯次利用前,有必要根据其性能状况进行一致性分选,以实现退役电池的经济效益和利用率最大化。提出了一种基于放电曲线和改进模糊C均值算法的退役电池一致性分选方法。该方法以退役电池单体为研究对象,借助1 C充放电实验选取放电曲线,进行特征参数提取;在此基础上,结合改进的模糊C均值算法构建退役电池高精度分选模型,基于简化的特征点提取过程,在不同容量梯度的退役电池下对分选方法的可行性进行了验证。

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机(Extreme learning machine,ELM)作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means,WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information Cmeans,NKWFLICM)进行聚类。实验结果表明ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效,同时克服了模糊聚类算法对模糊指数的敏感性问题。

基于分布信息直觉模糊c均值聚类的红外图像分割算法

针对传统的直觉模糊c均值聚类算法进行图像分割时对聚类中心敏感导致最终聚类精度低、细节保留性差、时间复杂度较大等不足,提出了一种适用于电力设备红外图像分割的基于分布信息的直觉模糊c均值聚类算法。红外图像中高强度的非目标对象与图像强度不均匀对图像分割有较强干扰,所提算法能有效抑制该干扰。首先,将高斯模型引入电力设备的全局空间分布信息中以改进IFCM算法;其次,利用局部空间信息的空间算子优化隶属函数来解决边缘模糊和图像强度不均匀问题。经过对Terravic动态红外数据库与包含300幅电力设备红外图像的数据集进行实验,相对区域错误率在10%左右,受模糊因子m变化影响较小,验证了所提算法在有效性与适用性上明显优于其他对比算法。

利用空间信息的核模糊C均值聚类算法

模糊聚类,特别是模糊C均值聚类算法(FCM)广泛地运用到图像的分割中。但是传统的算法未对数据对特征进行优化,亦未考虑图像的空间信息,对噪声图像分割不理想。在FCM目标函数中引入核函数,用内核引导距离代替传统的欧式距离,同时考虑到邻近象素的影响,增加了空间约束项,提出了利用空间信息的核FCM算法。通过对模拟图和仿真脑部MR图像的分割实验证明,该算法可以有效的分割含有噪声图像。

基于模糊C均值聚类与空间信息相结合的图像分割新算法

针对传统的模糊C均值聚类(FCM)图像分割方法未考虑图像的空间信息,对噪声十分敏感的问题,本文提出了一种结合空间信息的模糊C均值聚类分割新算法;该算法将图像的二维直方图引入传统的模糊C均值聚类算法中,并对隶属函数做了改进;依据平方误差和最小准则,来确定模糊分类矩阵及聚类中心;最后,依据最大隶属度原则,划分图像像素的类别归属,以改善传统的PCM算法的分割质量。实验结果表明,该算法显示了较好的分割效果和较强的抗噪性能。

快速自适应非局部空间加权与隶属度连接的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法难以对噪声图像进行分割的问题,该文提出一种快速自适应非局部空间加权与隶属度连接的模糊FCM抗噪图像分割算法。首先,利用一种非局部空间信息快速计算方法,将以图像所有像素为循环的原始非局部信息计算方法,改为以搜索窗口尺寸为循环,利用空间位移图像与递归高斯滤波的计算方法,克服非局部空间信息计算复杂的问题;其次,计算原始图像与非局部信息项的差值的平方,将其作为非局部信息项的自适应权重,并将差值的平方作倒数变换,作为原始图像的自适应权重;最后,将每个聚类簇中所有像素隶属度之和的对数平方加入目标函数的分母,形成隶属度连接,减少目标函数迭代次数。含噪人工与自然图像分割实验表明,该算法在分割准确度、平均交并比、归一化互信息、运行时间与迭代次数等性能方面优于其他几种FCM算法。

一种融合邻域信息的模糊C-均值图像分割算法

模糊C-均值算法(fuzzy C-means,FCM)对图像噪声敏感,只考虑了图像数值信息而忽略了邻域空间信息,造成最终的图像分割结果不精确。为了克服FCM存在的问题,将图像局部信息与非局部信息融入到多测度模型中,扩充了原本聚类的单一测度。另外将先验概率引入隶属度矩阵中,使得每次迭代前,隶属度矩阵中像素点的邻域信息都被充分考虑,最后添加一个邻域隶属度惩罚项修正聚类结果。实验证明:该算法对噪声鲁棒性强,能够获得较为理想的图像分割效果。

基于模糊C均值算法的多层次网络安全态势感知方法

当前的多层次网络安全态势感知节点设置形式一般为独立的,感知效率较低,导致安全态势平均绝对误差增加,为此提出基于模糊C均值算法的多层次网络安全态势感知方法。测试结果表明,所设计的模糊C均值算法多层次网络安全态势感知测试组最终得出的安全态势平均绝对误差被较好地控制在0.2以下,优于对照组。