检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

K平面聚类算法的模糊改进及其鲁棒性研究

电子与信息学报 2008年第8期30卷 1923-1927页

作者：朱林王士同潘永惠韩斌江南大学信息工程学院无锡214122

该文针对K平面聚类算法KPC(K-Plane Clustering)对噪声点敏感的缺陷,通过引入隶属度约束函数,推导出鲁棒的改进分割K平面聚类算法IFP-KPC(Improved Fuzzy Partitions for K-Plane Clustering),并利用voronoi距离对IFP-KPC算法的鲁棒性... 详细信息

关键词： K平面聚类改进模糊分割 voronoi距离鲁棒性

在线全文

学校读者我要写书评

暂无评论

基于voronoi图的有障碍物空间聚类

计算机科学 2007年第2期34卷 189-191页

作者：薛丽霞汪林林王佐成李永树西南交通大学土木工程学院成都610031 重庆邮电学院重庆400065

voronoi图具有侧向临近特性,可以方便表达空间临近关系。根据这一性质,解决在空间数据聚类分析中的有实体障碍物所面临的问题。通过生成考虑实体障碍物的voronoi图,建立voronoi图的距离度量方法,提出采用循障碍物求距离法,可以方便地完... 详细信息

voronoi图具有侧向临近特性,可以方便表达空间临近关系。根据这一性质,解决在空间数据聚类分析中的有实体障碍物所面临的问题。通过生成考虑实体障碍物的voronoi图,建立voronoi图的距离度量方法,提出采用循障碍物求距离法,可以方便地完成有障碍物的空间聚类分析。该方法使得有实体障碍物情况下空间聚类更加准确,并通过实验进行验证。

关键词： voronoi图空间聚类 voronoi距离

在线全文

学校读者我要写书评

暂无评论

改进的快速FCM算法

小型微型计算机系统 2005年第10期26卷 1774-1777页

作者：王璐蔡自兴中南大学信息科学与工程学院智能所湖南长沙410083

快速而准确的图像分割算法是实时理解环境的基础．本文在缩减数据集思想的基础上提出一种新的快速FCM算法 vFCM:采用更为简便的直方图统计方法,并进一步利用直方图为FCM算法预设原型初值,最后用voronoi距离改造隶属函数,降低算法复杂度... 详细信息

快速而准确的图像分割算法是实时理解环境的基础．本文在缩减数据集思想的基础上提出一种新的快速FCM算法 vFCM:采用更为简便的直方图统计方法,并进一步利用直方图为FCM算法预设原型初值,最后用voronoi距离改造隶属函数,降低算法复杂度,从而加快算法速度．实验结果表明,该方法能够在基本保证分割质量的前提下明显提高运算速度,对实时图像处理要求较高的场合具有实用价值．

关键词： vFCM 快速预设原型初值 voronoi距离

在线全文

学校读者我要写书评

暂无评论

新型聚类算法在图象处理等方面研究与应用

新型聚类算法在图象处理等方面研究与应用

作者：朱林江南大学

学位级别：硕士

模式识别技术是人工智能的重要研究内容。基于各种技术,几十年来各种不同的模式识别方法得到了广泛的研究与应用。在当今飞速发展的数据挖掘和探查性数据分析中,聚类分析技术已广泛应用于模式识别、图像处理、生物、心理、计算机视觉和... 详细信息

模式识别技术是人工智能的重要研究内容。基于各种技术,几十年来各种不同的模式识别方法得到了广泛的研究与应用。在当今飞速发展的数据挖掘和探查性数据分析中,聚类分析技术已广泛应用于模式识别、图像处理、生物、心理、计算机视觉和遥感等领域。在实际问题中,已有的各种聚类算法各有其优势,如何提高聚类算法的抗噪声能力和鲁棒性能,以及如何针对不同的数据集寻找最优的聚类方法,并给出合理的解释,成为众多学者正致力于研究并解决的问题。本文针对目前聚类算法及其应用中的一些热点问题展开了研究与探讨工作,主要的工作分为以下三部分: 第二章提出了一般化的改进模糊划分的FCM聚类算法GIFP-FCM (Generalized Fuzzy C-Means Clustering with Improved Fuzzy Partitions),通过引入新的隶属度约束,解决了IFP-FCM (Improved Fuzzy Partitions for FCM algorithm)算法模糊指数m的一般化问题;同时GIFP-FCM算法从voronoi距离和竞争学习的角度对其鲁棒性和快速收敛性进行了合理解释;其次,通过引入模糊程度系数α,使得FCM算法和IFP-FCM算法分别表示为GIFP-FCM算法在α等于0和α趋于1时的特例。实验结果表明GIFP-FCM算法较之于IFP-FCM和FCM算法具有更好的鲁棒性和参数适应性;在纹理图像分割中,GIFP-FCM也明显优于IFP-FCM和FCM算法。第三章根据文本数据具有方向性数据的特征,可利用方向数据的知识完成对文本数据聚类,提出了模糊方向相似性聚类算法FDSC (Fuzzy Directional Similarity Clustering),继而从竞争学习角度,通过引入隶属度约束函数,并根据拉格朗日优化理论推导出鲁棒的模糊方向相似性聚类算法RFDSC(Robust Fuzzy Directional Similarity Clustering)。实验结果表明RFDSC算法能够快速有效的应用于数据挖掘及文本聚类中。第四章针对K平面聚类算法KPC (K-Plane Clustering)对噪声点敏感的缺陷,通过引入隶属度约束函数,推导出鲁棒的改进分割K平面聚类算法IFP-KPC (Improved Fuzzy Partitions for K-Plane Clustering),并利用voronoi距离对IFP-KPC算法的鲁棒性进行了合理解释。实验结果表明IFP-KPC算法与KPC算法相比具有更好的聚类效果。

关键词：聚类算法方向相似性 K平面聚类纹理图像分割文本聚类改进模糊划分 voronoi距离鲁棒性

基于信息熵蚁群聚类的模糊C-均值算法的研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信息熵蚁群聚类的模糊C-均值算法的研究

作者：荣巧梅青岛理工大学

学位级别：硕士

聚类是数据挖掘的重要分支之一。近年来随着数据挖掘研究的深入,涌现出大量新的聚类算法,每种聚类算法都是针对某一应用领域,也各有其优缺点。在众多的聚类算法中,模糊C-均值算法是目前使用最为广泛的基于目标函数的模糊聚类算法。但是... 详细信息

聚类是数据挖掘的重要分支之一。近年来随着数据挖掘研究的深入,涌现出大量新的聚类算法,每种聚类算法都是针对某一应用领域,也各有其优缺点。在众多的聚类算法中,模糊C-均值算法是目前使用最为广泛的基于目标函数的模糊聚类算法。但是该算法仍然存在一些不足之处,例如其聚类结果受初始化影响较大,在迭代时容易陷入局部极小等。针对这种研究现状,本文主要从三个角度对模糊C-均值算法做了改进:(1)模糊C-均值算法与基于信息熵的蚁群算法的结合使用。先执行基于信息熵的蚁群算法得到聚类数目C和聚类中心。然后以此作为模糊C-均值算法的初始参数,进行迭代优化,既克服了模糊C-均值算法对初始化参数极为敏感的缺陷,又避免了陷入局部极小值。创新之处在于引入的不是标准的蚁群算法而是基于信息熵的蚁群算法。这一改进,改变了蚂蚁拾起或放下的规则,比较的是信息熵值的改变而不是概率,减少了算法执行的随机性。(2)提出了属性加权的思想。鉴于在实际应用中发现,对于含有多维属性的数据集,往往有些属性对数据的聚类影响较大,而有些属性则影响较小。属性的分布特征与数据的聚类有着不可忽视的作用,因此本文为每个属性赋予一个权重。随后基于这种思想,本文重新推导了模糊C-均值算法的目标函数、聚类中心和隶属度函数的迭代公式。(3)本文提出用一种voronoi距离代替欧氏距离的方法来调整隶属度的计算公式,以此克服模糊C-均值算法的聚类结果易受噪声数据干扰的缺陷。采用欧氏距离只能发现球状的簇,改用voronoi距离就可以形成任意形状的簇,更加符合实际效果。隶属度计算公式改用voronoi距离以调节隶属度的值,使隶属度的值大的数据对象对聚类中心位置的影响增大,对于隶属度小的数据对象(噪声数据)则降低它们对聚类中心的影响,从而也减小了孤立点对聚类结果的影响。实验结果表明,改进后的算法无论是在时间性能,还是聚类结果的准确性、稳定性方面都取得了较好的效果。

关键词：聚类算法模糊C-均值算法信息熵蚁群算法 voronoi距离