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。

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。