基于遗传算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类(FCSS)算法广泛地应用于模式识别与机器学习等领域。由于其采用基于梯度法和交替寻优策略,对初始化比较敏感,容易陷入局部极值点,从而影响聚类效果。将现代全局优化方法之一的遗传算法(GA)与FCSS算法相结合,得到一种新的球壳聚类算法GA-FCSS。数值实验表明:新方法对球壳形数据有令人满意的聚类效果。

改进的基于遗传算法与FCSS相结合的模糊球壳聚类算法

遗传算法(GA)被广泛地应用在聚类算法中.但是当数据点多时,其计算量大的问题是不容忽视的.针对与遗传算法相结合的FCSS算法中的这一不足,主要通过研究了GA初始化种群的选取方法,对GA-FCSS算法进行了改进.实验数据表明:改进的GA-FCSS算法在收敛速度方面有令人满意的效果.

一种粒子群算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类算法(FCSS)广泛应用于模式识别与机器学习领域。由于其采用传统的基于梯度法和交替寻优策略求解模型,对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。本文将现代全局优化方法之一的粒子群优化算法与模糊球壳聚类算法(FCSS)相结合,利用粒子群算法良好的全局收敛能力来改善传统聚类算法易于陷入局部极值的缺陷,从而得到一种新的球壳聚类算法(PSO-FCSS),数值实验表明,新方法对球壳形数据有令人满意的聚类效果。

模糊C-球壳聚类算法的研究

通过对基于同一目标函数的两种模糊C-球壳(FCSS)聚类算法性能的比较与分析,提出一种新算法。该算法收敛速度快,聚类结果准确。

基于半径/中心约束的模糊C-球壳聚类算法

本文针对数字图像处理和计算机视觉中的圆检测问题,提出了基于半径/中心约束的模糊C-球壳聚类算法。首先利用共形几何代数理论以球壳替代传统的点作为聚类原型,以共形空间中模式与球壳的内积来表示模式与球壳的距离关系,并引入模糊隶属度函数来体现待分类模式和与之对应的球壳的隶属关系,给出了基于半径和中心约束的模糊C-球壳聚类算法的目标函数,最后给出了求解此类约束条件下目标函数最小化的统一方法。通过人工数据集和真实图像上的实验,均表明该算法能够有效地对球壳形数据进行模糊聚类,以及对数字图像进行圆检测。

模糊C-球壳聚类算法及其在血液细胞图像中的应用

文章从经典的模糊C均值算法开始通过改变其中相似性的度量形式,介绍了一种模糊C球壳聚类(FCSS)算法。在将该算法应用于细胞显微图像半径统计时,采用基于形态学的图像预处理措施,可以获得FCSS算法中有关原型模式的知识,加快收敛速度并避免随机初始化造成的局部极小问题。

一种新的混合球壳形数据聚类方法

模糊C-球壳聚类算法(FCSS)广泛应用于模式识别与机器学习领域。传统FCSS算法采用梯度法和交替寻优策略来求解,因此对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。将粒子群优化算法(PSO)、遗传算法(GA)与传统FCSS算法相结合,得到一种有效的混合球壳聚类算法PSO-GA-FCSS,数值实验结果表明新算法的性能优于FCSS算法、遗传算法与FCSS相结合的算法GA-FCSS以及粒子群算法与FCSS相结合的算法PSO-FCSS。