基于模糊聚类和证据理论的光谱偏振图像分类

为了将光谱偏振信息用于物质分类,提出了一种无监督聚类融合算法.算法结合偏振信息的特性,首先对Stokes参量中的非偏振光强参量、线偏振度参量、偏振角参量进行无监督模糊c均值聚类(Fuzzy C-mean,FCM),利用目标表面的偏振特性以及聚类结果分配置信指派,然后对这些置信指派进行加权融合.仿真实验表明了算法的有效性.     

基于空时域约束模糊核聚类的红外多时相地下目标探测

提出了一种具有空时域约束的模糊核聚类红外多时相浅层地下目标探测算法.首先在经典模糊聚类算法基础上引入空间和时相变化信息,给出时相信息指数;然后根据时相信息指数修正时相权重因子,将空时域约束加入到多时相模糊核聚类中对红外多时相图像进行分类;最后由分类结果给出地下目标的位置及目标大致种类数,并根据地下目标的红外成像机理获得目标的大体物理性质来提高地下目标探测的准确性.结果表明,所提算法对地下浅层目标具有较好探测准确度.     

基于HPSO和FCM的多光谱遥感图像湿地分类

分析了基本粒子群算法(PSO)、混合粒子群优化算法(HPSO)和模糊C-均值算法(FCM)的特点,将模糊C-均值算法引入到混合粒子群优化算法中,发展和改进了HPSO-FCM算法,并在Fortran语言和MATLAB环境下开发实现HPSO-FCM程序。以2009年6月份的环境一号卫星多光谱可见光图像和ENVI-SAT的ASAR微波图像为基础数据,通过波段叠加和主成分分析,得到前3个主成分合成图像。利用HP-SO-FCM算法和非监督学习动态聚类算法(ISODATA)分别对湖南东洞庭湖3个主成分合成图像,进行湿地分类实验。结果表明:(1)将模糊C-均值算法引入到混合粒子群优化算法中,具有较好的搜索速度和收敛精度,能有效寻找和优化最佳聚类中心。(2)HPSO-FCM算法在多光谱遥感图像湿地分类精度比较高,是一种有效的遥感图像分类方法。     

基于PSO的二阶段光谱模糊聚类研究

在海量的天体光谱数据中利用无监督聚类学习方法将天体自动分类具有更加诱人的前景。针对当前聚类方法存在的缺点,提出一种高效的高维数据硬划分算法,在此基础上提出了一种分阶段模糊聚类方法。第一阶段,利用硬划分算法对数据聚类,克服了模糊聚类算法对初始值敏感的缺点。第二阶段,以第一阶段运算结果作为初始值,进行模糊聚类的,并将微粒群算法引入模糊聚类,从而保证了聚类结果的全局最优性。实验结果表明,该方法用于天体光谱聚类是可行的、有价值的。     

基于变分模态分解与多尺度排列熵的生物组织变性识别

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.     

模糊聚类信息融合算法在异构多传感器网络中的应用

在多传感器协同探测的应用背景下,提出将模糊聚类算法应用于多传感器网络的数据融合方向,解决异构多传感器网络由于各传感器探测信息粒度、时空不同而造成的航迹分裂和航迹冗余现象;通过仿真结果表明,该算法可以减少传统统计学方法错关联、漏关联的概率,对于复杂运动轨迹的机动目标(交叉航路目标)能够很好地进行多传感器测量数据的聚类,正确地进行测量数据的关联和融合,并进一步在通用航空监视管理系统的工程应用中加以验证;该算法在通用航空监管、物联网、协同探测信息系统方向均有广泛的应用空间。     

基于自组织聚类和改进粒子群算法的语音转换方法

提出一种基于自组织聚类,并且利用改进粒子群算法确定转换模型参数的语音转换方法.该方法首先基于自组织特征映射网络对特征参数进行聚类,再对每个聚类分别建立转换规则,并且利用柯西变异的粒子群算法确定每个转换规则中的模型参数.与传统的单一转换规则相比,聚类后建立的多转换规则以及利用改进粒子群算法确定参数能够提高映射关系的准确度,避免参数陷入局部最优点。以女声转男声为例,主观测试表明该方法得到的转换语音与目标的相似度提高了27.6%,平均主观意见分(Mean Opinion Score,MOS)提高了0.6,客观测试也表明该方法谱失真最小,与目标的包络更接近.      

近红外光谱主成分分析与模糊聚类的典型地面目标物识别

近红外光谱技术在遥感监测领域中应用广泛,针对典型地面目标物遥感监测识别需要,提出了光谱主成分分析(PCA)与模糊聚类结合的分类识别方法,提高了识别算法效率及准确性。以四类典型地面目标物作为研究对象,分别测量其在1 100～2 500 nm范围内漫反射光谱,首先对漫反射光谱进行主成分分析,得到代表光谱特征的主成分分量,然后将其作为模糊聚类分析模型输入参数,计算样品主成分集合之间贴合度,最后利用择近原则对样品进行匹配分类。结果表明,主成分分析可以有效提取光谱特征并且降低数据维度,结合基于择近原则的模糊分类方法,可有效提高算法准确性与效率,为遥感光谱在地面目标物识别应用提供了有益的参考。     

基于谱分解的模糊C均值算法在彩色图像分割中的应用

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优以及谱聚类算法无法处理样本量过大的问题,提出了一种将模糊C均值聚类算法与谱聚类算法相结合的模糊谱聚类算法应用于彩色图像分割。大致分为三步,第一步对图像进行预处理,将颜色空间由RGB空间转换为Lab空间;第二步对特征空间进行冗余模糊C均值聚类算法得到冗余类;第三步由冗余类的隶属度矩阵和聚类中心矩阵得到冗余类的特征空间,并根据贴进度和传递闭包将该特征空间转换为冗余类的相似度矩阵进行谱聚类,完成冗余类的合并。实验结果表明,与模糊C均值聚类算法相比,模糊谱聚类算法对于初始值敏感问题、易陷入局部最优以及只能识别团状的蔟得到了很好的解决,从而使彩色图像分割结果更加合理。     

基于改进粒子群和自适应滤波的快速模糊聚类图像分割

为改进传统模糊C均值聚类(FCM)算法对初始聚类中心敏感、易陷入局部收敛、抗噪性差、计算量大的问题,提出一种新的基于改进粒子群算法的快速模糊聚类图像分割方法(PSOFFCM);方法首先利用自适应中值滤波对图像进行滤波处理,增强算法的鲁棒性;然后,将图像像素灰度值映射到二维直方图特征空间,作为聚类样本,优化FCM的目标函数,减少图像分割的计算量;最后,利用PSO算法代替FCM的梯度迭代过程,减弱了算法对初始聚类中心的依赖,同时增强全局搜索能力;实验结果表明,该方法不仅克服了FCM算法对初始聚类中心的依赖,而且抗噪能力强,收敛速度快,分割精度明显优于传统FCM。