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。

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。

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。

基于改进FCM的冲压件缺陷图像分割算法

在工业质检过程中,冲压件缺陷图像分割作为缺陷检测的重要环节,直接影响缺陷检测效果。而传统的模糊C均值(FCM)聚类算法未考虑到空间邻域信息,对于噪声干扰较为敏感,导致分割精度较差,且其整体易受初始值的影响,造成收敛速度变慢。针对上述问题,提出一种改进的FCM算法。采用内核诱导距离中的简单两项代替传统的欧氏距离,将原有的空间像素映射到高维特征空间,提高线性可分概率和计算速度;利用图像像素之间的空间相关性,通过引入改进的马尔可夫随机场对FCM目标函数进行修正,提高算法的抗噪能力以及分割精度;采用秃鹰搜索(BES)算法确定FCM的初始聚类中心,提高算法的收敛速度,同时避免算法陷入局部极值的情况。为验证改进FCM算法的性能,选取划分熵、划分系数、Xie_Beni系数以及迭代次数作为评价指标,并与近年来先进的图像分割算法进行对比。实验结果表明,改进FCM算法具有更好的抗噪能力,能得到更好的缺陷分割效果,对工业生产中的冲压件缺陷检测有一定的应用价值。

基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于改进模糊C-均值聚类的陆上风电场集电线路回路划分与拓扑结构优化

【目的】在“双碳”目标以及我国能源结构加速转型的双重驱动下,风电产业规模不断快速增长,亟须降本增效以应对平价上网压力。集电线路的造价在投资中占比较大,存在可观的优化空间。为了降低投资成本,提出了一种改进模糊C-均值(fuzzy C-means,FCM)聚类算法。【方法】利用改进FCM聚类算法对陆上风电场集电线路回路进行划分。该算法综合考虑了方位角与欧式距离,以保障回路间线路不交叉,并使相邻机组聚集到同一回路;引入机位到聚类中心距离的修正因子,通过调节其数值限制回路容量。在回路划分的基础上,利用动态Prim算法对各回路进行集电线路优化选线。最后,通过某陆上风电场算例验证方法的有效性。【结果】与只考虑方位角的聚类方法相比,考虑方位角和间距的改进FCM算法优化效果更好,单回、双回连接对应的集电线路总造价分别降低了2.6%和5.4%。【结论】所提算法能够有效降低集电线路的总造价,具有一定的应用价值,可为风电场集电线路设计提供参考。

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GAIFWFCM和TFNs的协同过滤算法

针对传统推荐系统中使用离散评分未能合理表达用户偏好的问题,将遗传算法引入优化特征加权模糊C均值,通过梯形模糊聚合相似目标用户,提出基于遗传算法的优化加权模糊C均值聚类融合梯形模糊数的协同过滤模型。通过遗传算法进行增强初始聚类中心,利用优化加权模糊C均值聚类融合梯形模糊数,分析类内与类间属性特征关系,实现用户精细划分,合理过滤推荐。在两组数据集中以MAE和RMSE作为评估指标进行实验,实验结果表明,所提算法在与其余6种算法对比中分类误差更低,对用户意愿识别更加清晰。

基于截断技术的鲁棒模糊C均值聚类

[目的]直接利用模糊C均值(FCM)对原始数据进行聚类,容易导致聚类结果受到噪声和离群点的影响,但通常利用松弛技术对样本点模糊隶属度或空间位置关系进行松弛的解决方法只能降低,而无法完全剔除噪声和离群点的影响.为了解决这个问题,提出了基于截断技术的鲁棒模糊C均值(TRFCM)聚类算法.[方法]基于模糊局部信息C均值(FLICM)聚类模型,通过引入截断技术,提出TRFCM算法.该算法的主要思路为:(1)利用FLICM,在学习数据聚类结构的同时保留样本点的局部邻域结构;(2)基于FLICM的聚类结果动态调整原始数据,使其满足期望的聚类结构;(3)将聚类结构特征学习与原始数据的调整(即截断掉部分样本点),统一在一个优化框架中,从而实现组合最优化.将TRFCM算法与近年来相关算法进行比较以检验TRFCM的参数敏感性、收敛性、鲁棒性、时效性等性能.[结果]实验包括5个部分:参数敏感性与收敛性分析、鲁棒性检验、图像分割实验、Benchmark数据集实验和各算法计算时间对比实验.在参数敏感性和收敛性分析中,TRFCM算法在合适的范围内对参数不敏感且在大多数情况下可以获得良好的聚类效果.同时,算法对各数据集的聚类均可以在20轮迭代内收敛.在鲁棒性检验中,TRFCM的准确率是81.55%,较FLICM高出9.71个百分点,聚类结果更接近于真实数据分布,这证明了TRFCM对噪声具有良好的鲁棒性.在图像分割实验中,各对比算法对图像的划分在一定程度上都不够准确,部分算法出现了环境划分不完整、不同的部分错分到相同类中、不同的类之间发生重叠等问题.而TRFCM均规避了这些问题,取得了良好的聚类结果.在添加了均值为0、方差为0.05的高斯噪声的图像分割实验中,TRFCM算法对噪声干扰的抑制效果最优.在Benchmark数据集上,对Banknote Authentication、Wine、COIL20、WarpPIE10P、Yale和USPS数据集进行聚类分析,TRFCM在ACC、NMI与purity三种评价指标上都取得了优于其它对比算法的得分.在算法时效性的实验中,在相近的时间内,相较对比算法TRFCM能够获得更好的聚类效果.[结论]将截断技术引入到模糊聚类算法中,可实现对原始数据的动态调整,剔除噪声和离群点对聚类过程的干扰,从而保留更多对聚类有利的数据细节.基于该思路,利用截断技术以相似的方式对以往其他经典的模糊聚类模型进行改进,可以得到一系列的优化算法,为未来的研究提供新的方向.

基于ITLBO-AFSA优化FCM算法的矿井图像增强

煤矿视频监控技术是煤矿开采安全生产的重要组成部分,而监控图像的质量直接决定监控识别结果的有效性。为解决煤矿井下视频图像模糊、对比度低、细节不够清晰等问题,增强图像目标分割效果,对传统教学算法进行改进,提出了一种混合改进教学算法,并将其与人工鱼群算法融合,形成一种基于混合改进教学算法的人工鱼群算法(ITLBO-AFSA)。通过调整学习策略、优化算法参数,对传统人工鱼算法进行改进,并将经该算法图像增强后的结果用于模糊C均值算法(FCM)图像分割。实验结果表明,ITLBO-AFSA与标准FCM算法分割、AFSA_FCM算法相比,划分系数分别提升了7%,3%左右;划分熵值各下降了57%,10%左右;图像分割正确率分别提升了10%,7%;与标准FCM算法和AFSA_FCM算法相比,ITLBO-AFSA取得最优结果所用迭代次数最少,收敛速度最快,聚类效果最好,可以有效避免陷入局部最大化。

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

CRM中的模糊C均值(FCM)客户聚类算法研究

客户关系管理(CRM)中的客户聚类分析是一个新的研究领域,属于数据挖掘的应用范畴.CRM利用数据挖掘技术发现客户数据背后隐藏的、有用的、未曾预料的知识.包括利用聚类方法划分顾客类别.本文提出用模糊C均值(FuzzyC Means,FCM)聚类算法作为客户聚类的方法,得到不同客户群的聚类中心以及客户的隶属度矩阵,为客户群的特征分析提供了量化依据.并采用Matlab6.1为计算工具,最后给出了一个聚类分析实例.实验证明,本文采纳的方法可以得到满意的客户聚类结果.

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。

应用模糊C均值聚类算法的电流数据分析

随着电力系统的不断发展,电网的内部结构和运行方式呈现多样化和复杂化发展趋势,这必将加剧电能质量问题。电流运行数据是判断电网健康状态和电能质量优劣的重要指标,对其进行精准有效的分析有利于改善电能扰动问题和形成线路运行情况的良好监测。本文首先对模糊C均值聚类模式识别方法(FCM)的原理和实现方法进行分析,并与传统的聚类分析方法进行比较;然后采集线路电流的实际运行数据进行MATLAB仿真聚类验证。仿真结果表明,FCM算法应用于电流分析时便捷有效。

基于模糊c-均值(FCM)聚类算法的给水管网压力监测点优化布置

利用模糊c-均值(FCM)聚类算法,并结合EPANET软件,对给水管网水力模型进行了水力计算,在不同聚类类别数c值的划分下,以某市给水管网为对象,对其给水管网中节点流量变化的压力监测点进行了优化布置,以有效监测管网漏失和爆管事故.

网页优化策略的模糊C均值(FCM)聚类算法研究

在对Web站点进行优化时,为了降低成本,往往需要在不改变硬件和网络配置的情况下提高网站的性能.此时,对构成网站的网页的修改就成为提高站点性能的主要途径.对网页的访问速度的测量已有很多成熟的方法,但是如何根据测试的结果指定合理的优化策略,却鲜有论述.本文使用FCM算法对测试结果和网站日志进行聚类分析,从而得到一个良好的优化策略.

一种改进的模糊C-均值(FCM)彩色图像分割算法

针对传统模糊C-均值(FCM)聚类算法计算量大,聚类中心对初始值敏感和聚类数目不能自适应确定的缺点,提出了一种改进的FCM算法。首先对图像进行采样量化,并在满足视觉一致性的L*a*b*颜色空间计算并统计图像的色差信息,然后依据全局色差阈值选取初始聚类中心,对图像进行聚类分析,同时根据准则函数确定最佳聚类数,实现了聚类中心的优化选取和最优聚类数目的确定,有效减少了计算量。研究结果表明,改进后的FCM算法不仅较好地克服了传统FCM算法的缺点,而且聚类效果好,处理速度快,聚类效果与人的视觉感应保持了良好的一致性。

融合FCM和TFNs的协同过滤推荐算法

针对推荐算法中的稀疏性问题和传统推荐系统中使用离散评分,用户对物品的喜好程度只能通过5个等级来选取,用户对物品的偏好程度是模糊的且5等级评分不能合理表达用户的喜好,提出一种结合模糊C均值(Fuzzy C-Means, FCM)和梯形模糊数(Trapezoidal Fuzzy Numbers, TFNs)的协同过滤算法。首先,在传统的模糊C均值算法上融合遗传算法,将遗传算法的搜索结果作为模糊C均值的初始聚类中心,以其克服传统FCM搜索极易陷入局部最小值点的缺陷;然后,引入梯形模糊相似度模型,将离散评分数转化为梯形模糊数以此来计算用户相似度,从而利用模糊分数预测估计进行推荐;最后,选取MAE和RMSE作为评估指标,在Movielens数据集中进行实验,实验结果显示所提算法在与其余四种算法对比中预测误差更低,精确度更高,有效提高了推荐质量,也证明了该算法对于稀疏性问题有一定程度上的缓解,表明了该算法的有效性。