模糊C均值聚类

摘要： 传统的模糊C均值聚类算法利用图像的灰度、颜色、纹理、强度等底层特征进行聚类,实现图像的分割,它容易受到噪声的影响,且计算量大,不能提供理想的彩色图像分割结果.针对这些问题,提出一种视觉显著性引导的模糊聚类图像分割方法.首先使用显著性检测对图像进行初始化分割,得到带有区域级标注信息的引导图,然后将引导图作为指导信息,引导模糊聚类算法对图像进行细分割.在公共数据集上的实验结果表明,本文方法与其他改进的FCM算法和深度网络分割模型相比,可以取得较好的分割效果,有效减少了分割时间.

摘要： 使用特定数学模型的路由转发算法难以满足用户多样化的服务质量需求,基于深度学习的智能路由方案因具有准确性、高效性、通用性等优势,成为路由决策的发展方向。然而,目前多数智能路由算法在网络拓扑动态变化时需要重新训练,造成路由更新不及时,难以应对网络拓扑动态变化。提出一种基于图卷积神经网络(GCN)的智能路由算法。线下利用提前采集的网络信息,根据路由开销标签训练GCN智能路由模型,通过该模型输出单跳路由开销。线上采集实时信息并根据模型输出的路由开销结果对网络层路由协议进行调整,计算最小路由开销的路由路径,实现自适应网络更新。算法利用GCN的图数据结构处理不规则的网络拓扑,通过图卷积算子自动提取特征解决路由网络多属性参数提取的问题,同时引入模糊C均值算法进行网络状态离散化分析,为数据集生成标签,从而有效监督GCN模型训练。实验结果表明,该算法较ECMP、DRL-TE和SmartRoute算法路由性能更好,其平均丢包率、时延和吞吐量指标均为最优,且相较于单一的流量模式具有更强的泛化能力。

摘要： 针对FCM(模糊C均值聚类算法)对初始聚类中心的选取敏感以及梯度法易收敛到鞍点,在此基础上提出了一种分层遗传算法(HGA)优化的核模糊C均值聚类算法(HGA-KFCM)来提升聚类性能,首先用分层遗传算法(HGA)在全局筛选出高品质聚类中心以替代FCM的随机产生的聚类中心,再利用高斯径向核函数改变FCM中的距离函数并且重新定义目标函数,最终根据新参数进行迭代流程。在仿真实验中用两种数据集作为实验数据,利用FCM、HGA-KFCM以及其他三种聚类算法进行聚类测试,结果显示HGA-KFCM在一定程度上解决了FCM的缺陷,此外将新算法与另外三种性能不错的聚类算法在抗局部收敛能力,迭代次数和精度上比较,结果显示新算法具有良好的聚类性能。

摘要： 过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T;统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM的多阶段故障预测模型可取得较高的预测准确度。

摘要： 射频大地电磁(RMT)是新兴的浅地表勘探法,其工作频段(10 kHz~1 MHz)处于音频大地电磁(AMT)与探地雷达(GPR)之间,随频率的增加,位移电流对RMT观测的影响逐渐增大,单一电阻率参数反演会影响数据解释的准确性.本文在同时考虑传导电流与位移电流影响的条件下,开展二维RMT数据电阻率和介电常数联合反演研究.为提高电阻率与介电常数之间的联合约束效果,在经典最小结构模型正则化约束的基础上,引入模糊C均值(FCM)聚类算法进行联合约束.模型试算表明,基于FCM聚类的二维RMT电阻率与介电常数联合反演可以在丰富解释参数的同时提高反演效果.

摘要： 针对电网工程数据价值未被深入挖掘的问题,文中分析了电网工程投资造价评估分析系统的架构以及各模块的主要功能,进一步提出了基于模糊C均值聚类(FCM)与最小二乘支持向量机(LSSVM)算法的电网工程造价智能评估方法。该方法将电网工程数据样本作为FCM算法输入进行聚类分析,将聚类结果作为LSVSM算法的输入进行回归分析,得到电网工程数据特征参数与造价之间的关系。算例分析表明,通过FCM算法实现了具有相似特征的电网工程数据的聚类,缩减了LSSVM算法处理数据的规模,大幅度提高了算法的计算速度。同时FCM算法能够自动提取特征,得到的电网工程造价预测结果具有更高的准确性。

摘要： 中性点经消弧线圈接地配电网发生单相接地故障,各线路的零序电流暂态含量丰富,在理论分析单相接地故障零序电流特性的基础上,提出一种基于动态模式匹配距离(DPM)的零序电流波形相似性度量聚类选线方法。首先将单相接地后线路暂态零序电流以等分段点和极值点作端点进行动态分段,根据各分段均值及其变化趋势实现子分段序列形态模式符号化表达,以模式之间的异同性定义模式匹配距离,其次运用动态时间弯曲(DTW)规划原理,获得线路零序电流波形间的动态模式匹配距离矩阵,最后利用模糊C均值聚类算法,实现单相接地选线。对不同故障初相角、非同步采样、信息缺失、两点接地故障、电弧故障等情况进行仿真。结果表明,所提出的方法较DTW有更高的故障区分度,且能够有效地提高配电网故障选线的准确性和容错性,对配网安全运行具有一定实际意义。

摘要： 【目的】为了实现草坪杂草管理的精准化施药,针对自然环境中杂草与草坪颜色相近导致杂草难以分割的问题,提出一种改进模糊C均值(Fuzzy C-means,FCM)聚类的分割算法。【方法】利用超绿算子提取感兴趣区域,融合HSV空间的多通道信息进行图像预处理,扩大杂草与草坪的特征差异。使用区域面积约束滤波范围,去除预处理图像中的草坪背景噪声,降低中值滤波造成的目标区域灰度级损失。提出一种各向灰度分布差异(Difference of gray distribution,DGD)检测算子,在聚类过程中引入像素周围不同方向的灰度分布差异特征实现草坪杂草分割。【结果】与传统FCM、FCM-S2、FCMNLS以及RSFCM算法相比,本文算法对大多数噪声区域抑制效果较好,可以实现较为理想的杂草分割效果。本文算法能有效分割草坪杂草,平均分割准确率达到91.45%,比FCM、FCM-S2、FCMNLS和RSFCM算法分别提高16.35%、4.12%、6.80%和8.06%。【结论】本文算法可有效地分割自然环境中的草坪杂草,为草坪杂草精准化施药提供了条件,具有实际应用价值。

摘要： 针对现有光伏系统电弧故障检测中易产生漏判、误判的问题,提出了一种基于FCM(模糊C均值聚类)算法的电弧故障检测方法。通过分析光伏系统电弧故障的时域、频域及电磁辐射特性,选取相邻窗口电流差值的峰峰值、电流频谱10~30 kHz频段的频域总能量与电磁信号的模极大值作为FCM的三维特征量,利用正常情况与故障情况下聚类中心在空间位置上的差异,实现光伏系统电弧故障的识别。仿真分析与试验结果表明,该方法能对光伏系统电弧故障进行准确识别且具有一定的抗干扰能力。

摘要： 传统的模糊C均值(Fuzzy C-means,FCM)算法对噪声数据敏感,并且在迭代过程中因仅考虑了距离因素,故使用欧氏距离进行距离度量,这会导致只考虑样本点之间的局部一致性特征,而忽略全局一致性特征的问题,为此,提出了一种基于密度敏感距离和模糊划分的改进FCM算法。首先在建立相似度矩阵时使用密度敏感距离替代欧氏距离来进行计算,然后在聚类过程中引入模糊熵作为约束条件,推导出新的聚类中心和具有高斯分布特性的隶属度计算公式。此外,针对传统FCM算法随机选取初始聚类中心可能导致聚类结果不稳定的问题,根据聚类中心点周围样本点比较密集以及聚类中心点之间距离较远两个原则,结合密度敏感距离来选取初始聚类中心点。最后通过实验对比表明,与传统FCM聚类算法及其派生算法相比,改进算法不仅具有更高的聚类性能和抗噪性,且收敛速度也显著提高。

摘要： 对于水驱开发的油藏，流场的发育状况直接关系到水驱效果的好坏。油田开发中,窜流会导致驱替剂的无效循环,严重影响开发效果.针对上述问题,如何准确描述油藏中流体流动和分布状态,建立油藏流场分布图,准确刻画优势渗流通道的位置和发育状况,对合理调整油气田开发工作意义重大.本次研究基于油藏工程理论,同时运用层次分析法和模糊数学理论,并结合模糊c均值聚类方法,建立了定量化描述油藏流场的一套方法体系.在高含水期油藏开发过程中,根据上述方法得到的油藏流场描述结果可以有效指导流场重构.为了验证该方法的可靠性,以大港油田某区块为例,效果良好,说明该方法可以为油气田开发的动态调整工作提供一定依据.

摘要： 为了克服现有技术在大地电磁(MT)数据处理过程中的盲目性,从矿集区采集到的大地电磁数据中进一步精准甄辨、分离出微弱的大地电磁有用信号.文中将改进的固有时间尺度分解(IITD)和模糊c均值聚类(FCM)相结合，通过提取经IITD分解得到的旋转分量(PR)的样本熵和模糊熵进行FCM聚类，定量辨识强干扰波形，并仅对辨识为强干扰的时间序列采用小波阈值法进行噪声压制。方法将为在矿集区开展大地电磁信噪辨识及分离提供新的技术支持。

摘要： 城市交通系统庞大而复杂,为保证交通管理的灵活性及鲁棒性,必须划分交通小区分而治之.针对现有的基于划分的聚类算法应用于交通小区划分存在的问题,本文基于交通特性定义了聚类有效性指标,进而设计了将模糊C均值聚类与K均值聚类相结合的交通小区划分算法.以吴江区为例,结合17万余条出租GPS数据,搭建GIS平台划分交通小区,验证了算法的有效性,进而可视化地分析了小区之间的交通OD,为城市交通运营、规划部门决策提供重要参考和依据.

摘要： 城市交通系统庞大而复杂,为保证交通管理的灵活性及鲁棒性,必须划分交通小区分而治之.针对现有的基于划分的聚类算法应用于交通小区划分存在的问题,本文基于交通特性定义了聚类有效性指标,进而设计了将模糊C均值聚类与K均值聚类相结合的交通小区划分算法.以吴江区为例,结合17万余条出租GPS数据,搭建GIS平台划分交通小区,验证了算法的有效性,进而可视化地分析了小区之间的交通OD,为城市交通运营、规划部门决策提供重要参考和依据.

摘要： 城市交通系统庞大而复杂,为保证交通管理的灵活性及鲁棒性,必须划分交通小区分而治之.针对现有的基于划分的聚类算法应用于交通小区划分存在的问题,本文基于交通特性定义了聚类有效性指标,进而设计了将模糊C均值聚类与K均值聚类相结合的交通小区划分算法.以吴江区为例,结合17万余条出租GPS数据,搭建GIS平台划分交通小区,验证了算法的有效性,进而可视化地分析了小区之间的交通OD,为城市交通运营、规划部门决策提供重要参考和依据.

摘要： 城市交通系统庞大而复杂,为保证交通管理的灵活性及鲁棒性,必须划分交通小区分而治之.针对现有的基于划分的聚类算法应用于交通小区划分存在的问题,本文基于交通特性定义了聚类有效性指标,进而设计了将模糊C均值聚类与K均值聚类相结合的交通小区划分算法.以吴江区为例,结合17万余条出租GPS数据,搭建GIS平台划分交通小区,验证了算法的有效性,进而可视化地分析了小区之间的交通OD,为城市交通运营、规划部门决策提供重要参考和依据.

摘要： 在数据领域中,数据挖掘技术是数据分析中的关键手段,其分析结果有助于做出高效、有力的信息决策.本文首先介绍了数据挖掘中聚类分析在电力用户分类中的应用,再通过K均值与模糊C均值两种方法对负荷数据进行聚类,根据聚类结果进行用电行为分析,应用CH等指标对聚类结果进行评价,在此基础上对两种算法进行优化.然后是将负荷特性分析应用于用电行为分析,通过运用负荷指标对聚类中心进行分析,之后运用负荷指标对负荷数据再次聚类,将两种聚类结果进行对比分析,最后对各类用户总体用电量进行分析.

摘要： 在数据领域中,数据挖掘技术是数据分析中的关键手段,其分析结果有助于做出高效、有力的信息决策.本文首先介绍了数据挖掘中聚类分析在电力用户分类中的应用,再通过K均值与模糊C均值两种方法对负荷数据进行聚类,根据聚类结果进行用电行为分析,应用CH等指标对聚类结果进行评价,在此基础上对两种算法进行优化.然后是将负荷特性分析应用于用电行为分析,通过运用负荷指标对聚类中心进行分析,之后运用负荷指标对负荷数据再次聚类,将两种聚类结果进行对比分析,最后对各类用户总体用电量进行分析.

摘要： 在数据领域中,数据挖掘技术是数据分析中的关键手段,其分析结果有助于做出高效、有力的信息决策.本文首先介绍了数据挖掘中聚类分析在电力用户分类中的应用,再通过K均值与模糊C均值两种方法对负荷数据进行聚类,根据聚类结果进行用电行为分析,应用CH等指标对聚类结果进行评价,在此基础上对两种算法进行优化.然后是将负荷特性分析应用于用电行为分析,通过运用负荷指标对聚类中心进行分析,之后运用负荷指标对负荷数据再次聚类,将两种聚类结果进行对比分析,最后对各类用户总体用电量进行分析.

摘要： 在数据领域中,数据挖掘技术是数据分析中的关键手段,其分析结果有助于做出高效、有力的信息决策.本文首先介绍了数据挖掘中聚类分析在电力用户分类中的应用,再通过K均值与模糊C均值两种方法对负荷数据进行聚类,根据聚类结果进行用电行为分析,应用CH等指标对聚类结果进行评价,在此基础上对两种算法进行优化.然后是将负荷特性分析应用于用电行为分析,通过运用负荷指标对聚类中心进行分析,之后运用负荷指标对负荷数据再次聚类,将两种聚类结果进行对比分析,最后对各类用户总体用电量进行分析.

摘要： 本发明涉及一种基于改进的模糊C均值聚类的图像聚类方法及装置，该方法包括：输入样本图像，计算样本图像的特征值向量；将样本图像的特征值向量作为输入样本点，采用自组织神经网络算法进行分类，确定初始的聚类中心和聚类数目；采用极大似然估计算法得出样本图像对各个类的归属概率，将该归属概率作为目标函数的权值以构建目标函数；根据初始的聚类中心和聚类数目，采用改进的模糊C均值聚类算法的判别公式，通过迭代计算下一次的聚类中心，直至相邻两次的目标函数值之间的变化量小于设定的阈值。本发明通过计算样本图像的特征值向量，采用自组织神经网络算法对图像进行粗聚类，确定初始的聚类中心和聚类数目，增强了聚类效果的稳定性和准确性。

摘要： 本发明公开了一种面向图像分割的模糊C‑均值聚类初始聚类中心自动选取方法，首先初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数；然后计算各灰度值i的局部密度Pi；接着对具有局部密度的灰度值i设置对应的minDist[i]；计算一个合适阈值τ将相关的minDist[i]分成一大一下两组；最后返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C‑均值聚类算法的初始聚类中心。本发明可有效改善随机选择初始聚类中心带来的模糊C‑均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

摘要： 本发明涉及一种基于改进的模糊C均值聚类的图像聚类方法及装置，该方法包括：输入样本图像，计算样本图像的特征值向量；将样本图像的特征值向量作为输入样本点，采用自组织神经网络算法进行分类，确定初始的聚类中心和聚类数目；采用极大似然估计算法得出样本图像对各个类的归属概率，将该归属概率作为目标函数的权值以构建目标函数；根据初始的聚类中心和聚类数目，采用改进的模糊C均值聚类算法的判别公式，通过迭代计算下一次的聚类中心，直至相邻两次的目标函数值之间的变化量小于设定的阈值。本发明通过计算样本图像的特征值向量，采用自组织神经网络算法对图像进行粗聚类，确定初始的聚类中心和聚类数目，增强了聚类效果的稳定性和准确性。

摘要： 本发明涉及人工蜂群算法技术领域，具体涉及基于模糊C‑均值算法和人工蜂群聚类算法的混合聚类算法，该算法包括初始化阶段、引领蜂阶段、跟随蜂阶段和侦查蜂阶段，还包括如下步骤：步骤一：跟随蜂阶段结束后，判断当前算法是否是第一次循环；若是，则执行步骤二；若不是，则执行步骤三；步骤二：将当前的最优解作为模糊C‑均值聚类算法的初始聚类中心进行优化，若优化后的解的质量高于当前最优解，则用优化后的解代替当前最优解，否则放弃，同时相应蜜源的迭代次数加1，然后进入侦查蜂阶段；步骤三：判断最优解在跟随蜂阶段后是否发生改变；若是，则执行步骤二；若否，则进入侦查蜂阶段。本发明所提供的算法聚类准确率高、收敛速度快、寻优精度高。

摘要： 本发明公开了一种最小方差优化初始聚类中心的模糊C均值聚类方法，属于数据挖掘与模式识别技术领域，包括以下步骤：对输入数据集与样本点的距离关系进行聚类；将聚类分析方法用于对目标数据集聚类分析得到聚类标签；聚类分析后得到的聚类标签与原始标签依据评价指标进行性能评价。本发明旨在解决模糊C均值的聚类效果受其初始化的聚类中心影响较大、不能保证得到最优解的问题，在FCM算法的基础上先进行初始聚类中心的选取，选取FCM初始聚类中心是以样本的方差作为启发信息，以样本的领域半径，选取K个位于不同区域上方差最小的样本点作为初始聚类中心，该算法不需要设置任何参数。

摘要： 本发明公开了一种面向图像分割的模糊C‑均值聚类初始聚类中心自动选取方法，首先初始化一个大小为256的数组count，count[i]为灰度值i在给定灰度图像中的出现次数；然后计算各灰度值i的局部密度Pi；接着对具有局部密度的灰度值i设置对应的minDist[i]；计算一个合适阈值τ将相关的minDist[i]分成一大一下两组；最后返回minDist[i]大于τ的所有灰度值i作为在给定灰度图上运行模糊C‑均值聚类算法的初始聚类中心。本发明可有效改善随机选择初始聚类中心带来的模糊C‑均值聚类所需迭代次数过多、聚类结果易于陷入局部最优解的问题，从而提升图像分割的运行效率和分割质量。

摘要： 本发明公开了一种基于模糊C均值聚类算法的无线传感器网络数据聚类方法，其首次提出了相对位置相异度公式即公式(2)至(4)，克服了现有区间数距离公式存在区间数距离值与其相对位置不一致的问题，可以定量描述区间数间相对位置，能更准确描述区间数之间相对位置，并通过模糊C均值聚类算法将该相对位置相异度公式应用到无线传感器网络节点的聚类划分上，从而在不影响聚敛速度的前提下，将无线传感器网络的节点更准确的划分成多个聚类，使得每一个聚类内的节点相互之间的感知数据区间数序列

摘要： 本发明属于图像数据分析技术领域，具体公开了一种基于自适应模糊C均值聚类模糊化的SAR图像分析方法。本发明首先基于现有的FCM处理输出模糊决策表的模糊化处理结果，然后基于不相容度的取值逐渐增大各类别数cm的取值，cm每加1，则输各条件属性对应的模糊化处理结果，当不相容度大于预设阈值时，再从最小重要度的条件属性开始，逐渐调整对应条件属性的类别数cm，最后基于各条件属性的当前类别数cm所对应的模糊化处理结果，输出当前SAR图像的模糊化预处理结果。本发明用于SAR图像的目标识别，其输出的模糊化预处理结果能显著提升目标正确识别率。

摘要： 基于改进模糊C均值聚类算法的配电网动态重构方法，通过EEMD‑SVR组合预测模型和历史功率数据，对DG输出功率和负荷功率进行日前功率预测；输入配电网初始参数、负荷功率预测量、DG预测出力值等相关初始参数；依据功率预测数据构建分段‑损失函数，以确定最优分段数；并通过改进模糊C最优聚类分析算法，实现日内动态重构时段划分；依据聚类算法，确定时段划分方案和各时段等效负荷中心；通过改进细菌觅食算法，分别对配电网各时段进行静态重构优化；根据日内重构各时段的优化调节方案，计算确定配电网日内运行网络损耗和电压波动情况，输出求解后的相关参数。该方法简单、高效，能够应用在含新能源接入的中低压配网，具有一定的推广和实际价值。

摘要： 本发明提出了一种基于模糊C均值聚类算法的多源异构数据融合方法及系统，其方法包括：获取特定环境下的多源异构数据以及对应的任务信息；将获取到的多源异构数据均转化为可描述的文本数据，并从中提取特征分词，对特征分词进行归一化得到标准特征信息；根据获取到的多源异构数据以及对应的任务信息建立事件树，基于复相关系数算法计算标准特征信息与事件树的相关概率；基于相关概率采用模糊C均值聚类算法对标准特征信息进行特征融合，得到满足条件的融合结果。本发明先提取标准特征信息再采用模糊C均值聚类算法进行融合，实现了数据类型复杂且数据维数大情况下的多源异构数据的有效融合，提高了多源异构数据融合方法在实际应用中的利用率。