一种基于内容图像的模糊最小‑最大神经网络聚类方法

摘要

本发明提供了一种基于内容图像的模糊最小‑最大神经网络聚类方法，在初始化的时候就一次性的读入所有样本，算法每次迭代都是对整个样本集进行的操作，对样本输入次序没有依赖性；运行时是一个低层超盒逐渐合并为高层超盒的过程，算法运行过程中超盒数目不断下降，即聚类数目是递减的，提高了算法的效率。本发明将层次算法的分层思想引入到模糊最小‑最大聚类网络的学习算法中，提出一种更符合图像聚类要求的分层模糊最小‑最大聚类算法，使其更好的适应基于内容图像检索的要求。仿真结果表明，本发明提供的基于内容图像的模糊最小‑最大神经网络聚类方法不仅具有可行性，而且相对传统神经网络具有优越性。