自适应特征熵权模糊C均值聚类算法的研究

特征权重算法对聚类效果有很大的影响,而传统的特征权重算法忽略了特征项在类间和类内的分布情况.因此,研究聚类后样本特征属性表现的有序性程度对聚类结果的影响,分析聚类后样本特征属性的分布情况,提出了一种自适应特征熵权模糊C均值聚类算法.该算法以聚类后的特征熵和信息增益作为准则调整特征权值,通过聚类与权重更新逐步迭代优化,直至获得最优的特征权值.实验表明,自适应特征熵权模糊C均值聚类算法能够有效地区分各个特征属性对聚类效果的重要程度;较于其它加权模糊C均值聚类算法,该算法能够得到更高的聚类准确率.

基于改进模糊C均值聚类与SMO算法的地铁轨道健康状态评价

轨道健康状态评价技术对于保障列车的运行安全与乘客的舒适性有重要意义,为寻求一种新的轨道设备综合评价方法,实现对轨道健康状态的科学评价,提出一种基于改进模糊C均值聚类和序列最小优化算法(SMO)构建轨道健康状态评估分析模型。该模型首先提出包含轨道几何状态和结构状态的综合评价指标体系;其次采用变异系数法计算评价指标的权重系数并代入模糊C均值聚类法,得到各轨道样本的分类结果;在此基础上,再利用序列最小优化算法通过划分数据对轨道健康状态进行评价;最后通过实例分析对该评价模型进行验证并开展研究。研究结果表明,经模型评价的855个轨道单元评价结果中优良比例为94%,预测效果良好,平均误差为5%,进而验证了该模型的指标体系和评价方法的科学性和合理性,并给出了进一步研究优化的方向。本文对各轨道指标统筹综合评价,为地铁轨道工务管理线路质量评价提供一种新思路,使轨道设备管理变得有序可控,减少人力、物力资源的浪费。

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C-means,FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California-Irvine,UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。

一种加权模糊C均值聚类算法及其在图像分割中的应用

现有的加权模糊C均值聚类算法中,属性加权是一个不断迭代、重复计算的过程,费时费力。针对这种情况,提出Fisher线性判别率进行属性加权。算法首先直接计算每一维属性对模糊聚类的贡献度,其次对所有属性的贡献度进行归一化处理然后加权聚类。在人工和实际数据集所做实验表明:该算法在提高聚类速度的同时,聚类效果上也优于其他同类加权模糊C均值聚类算法。

基于自适应权重的模糊C-均值聚类算法

针对模糊C-均值聚类算法过度依赖初始聚类中心的选取,从而易受孤立点和样本分布不均衡的影响而陷入局部最优状态的不足,提出一种基于自适应权重的模糊C-均值聚类算法。该算法采用高斯距离比例表示权重,在每一次迭代过程中,根据当前数据的聚类划分情况,动态计算每个样本对于类的权重,降低了算法对初始聚类中心的依赖,减弱了孤立点和样本分布不均衡的影响。实验结果表明,该算法是一种较优的聚类算法,具有更好的健壮性和聚类效果。

基于加权模糊c均值聚类的快速图像自动分割算法

图像分割是指将一幅图像分解为若干互不交迭的区域的集合,是图像处理和计算机视觉的基本问题之一。为了提高图像分割的效率,提出了一种基于2维直方图加权的塔形模糊c均值(FCM)聚类图像快速分割算法。该方法先通过构造合理的2维直方图对噪声进行抑制;然后通过塔形分解来缩减聚类样本集;最后利用加权FCM聚类算法进行分类。仿真结果表明,该方法的效率明显优于标准的FCM算法。此外,为确定分割的最优类别数c,还引入了一种基于该快速算法的聚类有效性评价函数——修正划分模糊度,实现了最佳图像分割类别数c的自动确定。基于人造图像和实际图像的测试实验结果表明该方法是有效的。

单点逼近型加权模糊C均值算法的遥感图像聚类应用

针对模糊C均值算法对数据分布状态和初始聚类中心过于依赖的问题,利用已知样本信息,提出了一种改进的单点逼近型加权模糊C均值算法。该算法首先通过对原始数据进行概率统计和加入样本属性权值来调整数据为均匀分布;然后采用先验样本单点逼近的方法来消除先验样本选取的影响,从而不仅得到了合适的初始聚类中心,而且有效地加快了算法的收敛速度和提高了聚类的精度;最后将改进后算法与遥感数据特点相结合,构成了完整的遥感图像地物聚类算法。通过UCI数据集和扎龙湿地遥感数据的试验结果的比较证明,该改进方法是真实有效的。

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。

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。

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。

相对熵模糊C均值聚类分割算法

针对模糊C均值聚类分割算法无法获得复杂图像的细节信息问题,提出一种相对熵模糊C均值聚类分割算法。该算法利用划分隶属度构造相对熵,对传统模糊C均值聚类进行正则化约束,将其作为正则化因子添加到传统FCM的目标函数,得到新的聚类目标函数。通过拉格朗日乘子最优化推导,得到新的隶属度和聚类中心的迭代更新表达式。实验结果表明,该算法对于图像与背景灰度相近的复杂图像可以清晰的分割出图像的轮廓,也比FCM方法获得更多的图像细节信息。

基于网格和密度权值的模糊c均值聚类算法

改进了基于网格和密度的模糊c均值聚类初始化方法,提出了基于网格和密度权值的模糊c均值算法。该算法在参数初始化时用网格代表点代替原算法的网格凝聚点,同时考虑到在样本空间中处于不同位置的样本点对聚类的影响不同,把密度权值作为系数加入到模糊c均值聚类算法中。实验结果表明,提出的算法对提高算法的效率是有效的。

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。

利用模糊熵约束的模糊C均值聚类算法

针对传统的模糊C均值聚类算法求解隶属度公式仅仅考虑距离因素和算法对噪声数据敏感的问题,通过引入模糊熵约束,给出一种模糊C均值聚类算法.该算法引入模糊熵作为模糊C均值聚类算法的约束条件,重新给出了模糊C均值聚类算法的隶属度和聚类中心求解新公式,与原算法公式相比,新公式不仅考虑了距离因素,而且还考虑了数据集分布特性,并对同一个数据对象隶属于所有聚类中心的隶属度进行相关性计算,使得整个隶属度求解公式具有高斯分布特性,从而可以抑制噪声数据对聚类中心的影响.最后,采用UCI数据集,实验验证了该算法与传统FCM聚类算法及其派生算法相比,进一步提高了聚类的准确率和抗噪性.

邻域信息熵的核模糊C均值聚类图像分割算法

引入邻域信息熵并用核距离代替简单的欧式距离,提出了邻域信息熵的核模糊C均值聚类图像分割算法(EKWFLICM).实验表明,该算法具有比WFLICM算法更强的去噪声能力,以使保留原图像细节的能力,具有一定实际应用价值.

加权模糊C均值聚类算法实现BDS三频组合观测值优选

在对BDS三频载波相位组合观测值进行误差分析的基础上,确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足,采用一种基于加权的模糊C均值聚类算法,通过对同一维度在不同簇上赋予不同的权重值,对传统遍历搜索法所获得的部分BDS三频载波相位组合观测值进行了优化分类选取,有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题,同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析,确定了各类组合观测量的适用范围,并结合实测数据,利用无几何层叠模糊度解算方法对优选组合进行了整周模糊度的解算,结果验证了该方法的可行性。

基于遗传算法思想的加权模糊C均值聚类分析

模糊C均值主要考虑距离函数,即点与点之间的关系。在样本集中,不同样本点对于聚类的影响不同,加权模糊C均值通过对点本身加权来体现这一点。(加权)模糊C均值对初始中心敏感,且容易陷入局部最优;而遗传算法则是全局最优。所以,将二者的思想结合,利用遗传算法得到初始聚类中心,再用加权模糊C均值进行分类,可以得到更好的聚类效果。

熵加权多视角协同划分模糊聚类算法

当前,基于协同学习机制的多视角聚类技术存在如下两点不足:第一,以往构造的用于各视角协同学习的逼近准则物理含义不明确且控制简单;第二,以往算法均默认各视角的重要性程度是相等的,缺少各视角重要性自适应调整的能力.针对上述不足:首先,基于具有良好物理解释性的Havrda-Charvat熵构造了一个全新的异视角空间划分逼近准则,该准则能有效地控制异视角间的空间划分相似程度;其次,基于香农熵理论提出了多视角自适应加权策略,可有效地控制各视角的重要性程度,提高算法的聚类性能;最后,基于FCM框架提出了熵加权多视角协同划分模糊聚类算法(entropy weight-collaborative partition-multi-view fuzzy clustering algorithm,简称EW-CoP-MVFCM).在模拟数据集以及UCI数据集上的实验结果均显示,所提算法较之已有多视角聚类算法在应对多视角聚类任务时具有更好的适应性.