一种基于信息熵的空间聚类算法

空间数据挖掘技术是从空间数据库中提取隐含的、用户感兴趣的知识.针对当前的聚类算法没有很好考虑到空间数据的复杂性和数据之间的联系,再加上聚类的精确度不高,设计了一种新的算法—基于信息熵的空间聚类算法（ESCA算法）,该算法优先考虑空间数据的复杂性和数据之间的联系,并采用蚁群优化机制改善传统算法中聚类簇数不确定的缺点.实验结果表明该算法是可行,并且具有更高的精确度.     

一种改进的K-Modes聚类算法

传统的K-Modes算法采用0-1简单匹配方法计算对象与类中心(Modes)之间的距离,并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心(Modes)、定义目标函数,然而,对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此,提出一种改进的K-Modes算法,采用期望熵最小的衡量方法进行归类,并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K-Modes算法进行比较,表明该算法是更有效的。     

一种基于改进FCM聚类联合概率数据关联算法

针对多目标跟踪系统中的数据关联问题,提出一种基于改进FCM聚类联合概率数据关联算法(FJPDA)。该算法将改进的FCM聚类方法引入JPDA算法中,避免了对联合事件的概率计算,也避免了对确认矩阵拆分造成的计算量组合爆炸现象,实现了量测与航迹的关联,继而实现对多目标的实时跟踪。仿真结果表明算法简单有效,与JPDA算法相比,在跟踪性能相当的前提下,算法的复杂度和实时性得到了明显的改善。     

一种改进的模糊增强算法

针对在图像处理的过程中要面对许多含糊不清的情况,采用模糊集理论这一有效的数学工具是非常必要的。本文在研究模糊增强传统算法的基础上,提出了一种新的隶属度函数。它克服了传统算法中的变换强度较小、运算速度较慢和丢失部分灰度信息等缺点。另外,为了更好地保持图像的细节,本文在模糊增强算法中引入了平滑处理,完善了图像的模糊增强系统...     

基于FCM聚类的X光图像分割算法

本文采用FCM聚类算法实现了对X光图像的分割,在分割过程中利用直方图数据简化了运算并设定聚类初始值,根据分割对象的特点,采用一维的灰度特征值实现分割,取得了比较理想的分割效果.     

一种新型图像分形压缩的改进算法

本文首先分析图像分形压缩技术中传统加速方法的性能缺陷,随后提出使用图像块的熵值来改进分形压缩性能的思想.在证明迭代函数系统不会改变图像块的熵值的结论基础上,本文给出了基于熵值的图像分形压缩基本方法及其扩展.实验结果说明该方法在压缩质量、压缩率、压缩时间等方面上都较传统方法有明显改善.     

一种基于小波的图像模糊熵阈值分割算法

提出了一种新的有效的图像阈值分割算法.本算法将小波理论,模糊集理论和信息论三者有机的结合起来.算法采用目标类与背景类最大模糊熵准则,并针对现有的模糊熵分割算法中存在的阈值选取计算效率低的缺陷,重新定义了新的模糊隶属度函数与模糊熵,并且根据小波理论的多尺度分辨的思想,对该算法进行了优化,提高了阈值选取的寻优速度.通过与各种经典算法比较,证实该文算法的可行性,具有很好的鲁棒性.     

一种基于可疑度函数和信息熵的金融网络洗钱社团发现算法

随着贪污、受贿、网络诈骗、走私、贩毒、逃税、非法集资、恐怖主义等上游犯罪日益猖獗,全世界洗钱的次数和规模也在迅速增长.洗钱活动不仅给国家带来不可估量财产损失,而且严重危害国家金融体系的安全及经济秩序的稳定.本文分析了金融网络中洗钱的典型特征,提出了一种基于可疑度函数和信息熵的金融网络洗钱社团发现算法.实验结果表明,该算法能够有效地识别出金融网络中的洗钱社团.     

基于熵权法与改进的PCA聚类算法的电力客户价值分类与应用

对电力客户进行价值分析,有利于全面了解客户,为电力客户提供差异化服务。同时也可以提高客户满意度,实现供电企业、客户双赢的局面。运用数据挖掘方法对电力客户价值分类,构建电力客户价值评价指标体系,这些指标涵盖客户的用电行为、缴费行为、舆情和行业发展状况等,运用熵权法计算指标的权重,提出一种改进的PCA聚类算法对电力客户价值进行分类,为供电企业制定差异化服务策略提供辅助支撑。     

一种改进的模糊边缘检测算法

在全面分析Pal.King模糊边缘检测算法的基础上,针对已有算法存在的缺陷,提出了一种改进的模糊边缘检测算法。该算法给出了利用遗传算法确定最佳隶属度阈值的方法,采用简单的隶属函数,简化了Pal.King复杂的变换和逆变换,根据需要对μc进行优化处理,较快获取理想效果,将“Max”和“Min”算子结合起来提取图像边缘。仿真结果表明,采用改进的方法边缘检测质量得到了很大改善,运算速度得到了显著提高。     

一种新的基于Fuzzy c-means的高效自适应截集算法

提出了一种新的模糊聚类方法-自适应截集算法。该方法克服了聚类数目c要求预先确定、局部最优、分类不确定等弱点,对算法结构加以改进,增加聚类有效性问题的分析,在聚类过程中可动态调整聚类数目。针对时间消耗问题,利用模糊截集提高分类识别的速度。经实验表明,本算法可以提高聚类算法的可靠程度和分类识别的正确性。     

一种基于神经网络的广义熵模糊聚类算法

以模糊聚类为基础,将广义熵引入到模糊聚类的目标函数中,提出一种基于模糊熵的模糊聚类的统一形式,即广义熵模糊聚类模型;利用增广拉格朗日求解方法,以及Hopfield神经网络和复突触神经网络解决了基于广义熵的目标函数的优化问题,提出了基于神经网络的广义熵模糊聚类算法,表明了使用神经网络求解的收敛性;同时,给出一种用于确定增广拉格朗日乘子的迭代方法.实验中选取人工生成数据集和UCI标准数据集对提出的算法进行了实验研究,并与常用的聚类算法进行了性能比较.     

两阶段模糊C-均值聚类算法

针对模糊C-均值(Fuzzy C-Means,FCM)算法对初始值敏感、收敛结果易陷入局部极小的问题,本文提出了一种新型的两阶段模糊C-均值聚类算法。算法提出了一种简洁快速的初始聚类中心的选取规则,从而使获得的聚类结果为全局最优。仿真结果证明了该算法的有效性和优越性。     

具有模糊信息和自学习权重的分布式检测算法

本文研究了一种由局部自适应模糊检测器和在线自学习融合算法所构成的分布式信号检测系统的设计方法。由模糊集对不精确信号参数的局部检测器进行建模,该模糊模型可自适应不精确信号参数的变化。融合中心以最佳融合规则作为目标函数在线自学习局部判决的权重。局部模糊检测器的鲁棒性和自学习融合算法的自适应性使该分布式检测系统在不确定环境下的检测性能得到提高。也使该系统能够处理未知分布的未知参数以及非随机未知参数的分布     

一种粒子群算法与FCSS相结合的模糊球壳聚类算法

模糊球壳聚类算法（FCSS）广泛应用于模式识别与机器学习领域。由于其采用传统的基于梯度法和交替寻优策略求解模型,对初始值比较敏感,往往只能得到模型的局部极值点,从而影响聚类的效果,甚至使所采用的方法失效。本文将现代全局优化方法之一的粒子群优化算法与模糊球壳聚类算法（FCSS）相结合,利用粒子群算法良好的全局收敛能力来改善传统聚类算法易于陷入局部极值的缺陷,从而得到一种新的球壳聚类算法（PSO-FCSS）,数值实验表明,新方法对球壳形数据有令人满意的聚类效果。     

基于最优分类系数及分类熵准则的模糊C均值聚类算法

本文分别以模糊分类系数和分类熵为聚类有效性的测度函数，采用模糊Ｃ均值分类法，求最优的测度函数值所代表的全局极值的那种分类，确定为最佳分类方，对一张由卫星拍摄的地面ＭＩＧ－２９型飞机照片进行了成功的分类试验。     

一种基于属性空间相似性的模糊聚类算法

模糊C均值(FCM)聚类算法及其相关改进算法基于最大模糊隶属度原则确定聚类结果,没有充分利用迭代后的模糊隶属度矩阵和簇类中心的样本属性特征信息,影响聚类准确度。针对这个问题,该文提出一种新的改进思路：改进FCM算法输出定类原则。给出二元属性拓扑子空间中属性相似度的定义,最终提出一种基于属性空间相似性的改进FCM算法(FCM-SAS)：首先,选择FCM算法聚类后模糊隶属度低于聚类置信度的样本作为存疑样本;然后,计算存疑样本与聚类后聚类中心的属性相似度;最后,基于最大属性相似度原则更新存疑样本的簇类标签。通过UCI数据集实验,证明算法不仅有效,还较一些基于最大模糊隶属度原则定类的改进算法具有更优的聚类评价指标。     

一种融合IB准则特征的说话人分段聚类方法

针对说话人分段与聚类算法中先验知识不足的问题,利用基于信息瓶颈(IB)准则和基于隐马尔科夫模型(HMM)/高斯混合模型(GMM)方法间的互补性,提出了一种基于特征层融合的说话人分段与聚类算法。该算法将基于IB准则算法的输出结果进行对数变换和降维处理;然后利用变换后的特征与传统梅尔频率倒谱系数(MFCC)特征分别训练说话人GMM模型,并在得分域对说话人类别的得分进行加权融合;根据融合的得分,进行基于HMM/GMM模型的说话人分段与聚类。实验表明,融合后的特征可以为系统提供更多的先验信息,比传统方法的误配率降低了1.2%。     

Fuzzy clustering with pairwise constraints for knowledge-driven image categorisation

The identification of categories in image databases usually relies on clustering algorithms that only exploit the feature-based similarities between images. The addition of semantic information should help improve the results of the categorisation process. Pairwise constraints between some images are easy to provide, even when the user has a very incomplete prior knowledge of the image categories that one can expect to find in a database. A categorisation approach relying on such semantic information is called semi-supervised clustering. A new semi-supervised clustering algorithm, pairwise-constrained competitive agglomeration, is presented on the basis of a fuzzy cost function that takes pairwise constraints into account. Evaluations show that with a rather low number of constraints this algorithm can significantly improve the categorisation.