磨粒图像目标提取的遗传FCM算法

将遗传算法与模糊C均值聚类算法(FCM算法)结合,并运用于磨粒图像目标提取。遗传FCM算法的基本思路是:首先对模糊聚类中心进行编码,然后依据FCM算法的目标函数建立适应度函数,在适当的交叉率和变异率下,最终实现了图像的有效分割。并考虑在一维分割特征向量情况下,通过引入直方图统计特性,实现了遗传FCM算法的快速运算。分割实验表明本文方法在一定程度上改善了标准FCM算法的性能,能有效地运用于智能铁谱分析系统中的磨粒目标自动提取。

基于遗传模拟退火FCM算法的BDS-3三频组合优化选取

北斗三号系统播发B1I、B1C、B2a、B3I 4种公开服务信号,可组成4种BDS-3三频载波相位组合,即B1C、B2a、B3I在分析三频载波相位组合观测值模型基础上,给出三频载波相位组合优化选取标准。针对以往模糊C均值(FCM)算法在载波相位组合观测值优化选取中的不足,提出基于遗传模拟退火FCM算法。利用遗传模拟退火算法优化初始聚类中心,克服FCM算法过度依赖初始聚类中心的缺点;然后以长波长、弱电离层、低观测噪声为聚类指标,对选取的BDS-3三频载波组合观测值进行优化分类;最后利用矩阵变化法求解BDS-3三频实测数据模糊度,验证该方法的可行性。

基于免疫遗传算法的模糊C-均值聚类

为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法(即免疫遗传算法)来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。

半监督SVM的工作集样本预选取方法

针对传统的半监督SVM训练方法把大量时间花费在非支持向量优化上的问题,提出了在凹半监督支持向量机方法中采用遗传FCM(GeneticFuzzyCMean,遗传模糊C均值)进行工作集样本预选取的方法。半监督SVM优化学习过程中,在原来训练集上(标签数据)加入了工作集(无标签数据),从而构成了新的训练集。该方法首先利用遗传FCM算法将未知数据划分成某个数量的子集,然后用凹半监督SVM对新数据进行训练得到决策边界与支持矢量,最后对无标识数据进行分类。这样通过减小工作样本集,选择那些可能成为支持向量的边界向量来加入训练集,减少参与训练的样本总数,从而减小了内存开销。并且以随机三维数据为例进行分析,实验结果表明,工作集减小至原工作集的一定范围内,按比例减少工作集后的分类准确率、支持向量数与用原工作集相比差别不大,而分类时间却大为减少,获得了较为理想的样本预选取效果。