基于模糊K-均值算法的模糊分类器设计

基于模糊K-均值算法的模糊分类器,就是把目前比较常用的模糊K-均值算法的聚类方法,再一次与模糊分类规则提取相结合而得到的一种分类器。它是一种很有效的模糊分类器,训练样本能正确的分类。在这种方法中,首先用模糊K-均值算法按剖分和覆盖的原则把训练样本分成群,并且每一群的中心和半径都被计算出来。然后,设计一个用模糊规则来表示分类的模糊系统。这样就有效地构建了一个能对训练样本比较准确分类的模糊分类器。用这种方法设计的分类器不需要预定义参数、训练时间较短。

基于支持向量机与模糊k-均值算法的部位外观模型

利用梯度方向直方图(HOG)建立的部位外观模型存在两个缺陷:不同部位采用相同的细胞单元尺寸,以及线性支持向量机(SVM)分类器不能准确表征部位定位状态与外观模型的相似度。为克服这两个缺陷,建立了一种基于SVM和模糊k-均值算法的部位外观模型。部位外观模型由两个分类器构成,线性SVM分类器用于判断部位定位状态是否属于人体部位,相似度分类器由部位定位状态与利用模糊k-均值算法确定的部位聚类中心的归一化欧氏距离来构造,用于计算部位定位状态与外观模型的相似度。仿真实验结果表明,与利用SVM算法和相同细胞单元尺寸建立的基于HOG特征的部位外观模型相比,新模型建立的部位外观模型能更准确地描述真实人体部位的外观特征,用于基于树形图结构模型的人体姿态估计时准确度也更高。

基于模糊k-均值算法模型的土壤数值化分类——以河南省境内分布的雏形土为例

本研究基于《中国土系志·河南卷》中的97个雏形土土壤样本点,根据土壤系统分类标准遴选并确定用于划分雏形土纲中不同层级分类单元的16个土壤诊断层和诊断特性,并依据这些不同指标的属性特征值和不同层级指标的权重建立属性数据集。基于此数据集运用模糊k-均值算法模型,确定6个聚类中心土壤,计算样本土壤与中心土壤之间的分类距离,并对研究区97个土壤样本实施数值化分类。研究表明,基于97个样本点与各中心土壤之间的分类距离进行土壤数值化分类,并通过检验数值化土壤分类结果与谱系式层级土壤分类单元的一致性,可以评价传统的谱系式层级土壤分类系统的合理性。

基于模糊k-均值聚类模型的移动终端业务故障诊断

为了准确、有效的排除移动终端上潜在的业务故障,文章建立基于模糊k-均值的聚类模型。首先引入用户终端的业务隶属度来反映用户的偏好,根据业务隶属度情况,提出基于用户行为k-均值算法聚类模型,实现对用户的划分;其次,通过定义不确定关系矩阵,建立基于业务隶属度的模糊聚类模型,由综合业务隶属度和业务历史故障率的因素建立优先业务诊断集合的选取模型。

基于CSA无监督模糊聚类算法的异常检测方法

为解决模糊k-均值算法对初始化敏感及易陷入局部极值的不足,提出了基于克隆选择算法(CSA)的无监督模糊聚类异常入侵检测方法.应用结合了具有进化搜索、全局搜索、随机搜索和局部搜索特点的克隆算子快速得到了全局最优聚类,并应用模糊检测算法检测网络中的异常行为模式.该方法的优点是不需要人工对训练集分类,并且可以检测出未知的攻击.仿真试验表明,该方法不但能检测出未知的攻击,而且具有较低的误报率和较高的检测率.

基于模糊最大似然估计算法的遥感影像分割

针对模糊K-均值算法依赖于群集原型的初始估计和对于数据中所存在的子群数目做出假设的缺点,结合最大似然估计,提出了不依赖先验假设的模糊聚类法——基于模糊最大似然估计的遥感影像分割算法。该算法在模糊最大似然估计算法中用模糊协方差来计算后验概率,用后验概率矩阵代替隶属度矩阵来进行划分。先用模糊K-均值进行图像预处理,然后用模糊最大似然估计算法进行分割。此外,本文用性能指标参数——超体积指标FHV来评价最优的类别数目。本文通过对模拟影像和真实影像的实验,验证了该算法的有效性和准确性。

一种基于特征融合的部位外观模型

针对人体姿态估计算法在建立部位外观模型时将不同图像特征平等对待的问题,建立一种基于模糊K-均值算法融合方向梯度直方图(Histogram of Orientation Gradient,HOG)和颜色特征的部位外观模型。将部位定位状态对应的HOG和颜色直方图特征进行组合,利用组合而成的特征向量构造样本集。分别计算部位定位状态对应的HOG和颜色特征与分别基于这两种图像特征的部位外观模型的相似度,并将两个相似度乘积的平方根作为样本的初始隶属度,通过模糊K-均值算法收敛后的聚类中心即为部位外观模型。仿真实验表明,建立的部位外观模型能更准确地描述真实人体部位的外观特征,将其用于人体姿态估计时可以得到准确度更高的估计结果。