一、基于改进模糊C均值聚类算法的草坪杂草识别
- 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。
- 问题:明确算法如何改进;具体如何应用;应用后如何评价
- 具体算法:
(1)传统FCM
将样本对于类别的不确定度引入聚类分析过程中,有效避免硬聚类算法易陷入局部极小值的缺陷,已成为图像分割领域最常用的方法之一。
(2)基于各向灰度分布差异约束的 FCM 算法
① 面积约束下的中值滤波
预处理图像中存在较多的噪声干扰,需要对小面积的噪声区域进行中值滤波去噪。为了保证图像信息的完整性,引入面积特征筛选中值滤波区域。
② 各向灰度分布差异信息提取
图像领域局部信息获取方式:各向灰度分布差异检测算子;可以利用各方向灰度和方差表示该像素点的DGD特征
(3)融合DGD特征的改进FCM算法
对于难以区分的草坪和杂草定义了一个概念,DGD特征,在传统FCM算法的基础上引入DGD特征,构建FCM_DGD的目标函数
4. 实验设计
(1)本文算法与传统FCM、FCM-S2、FCMNLS算法以及RSFCM算法进行对比(这几个是图像领域特有的吗 可以拿来对比吗)
二、基于改进模糊 c 均值聚类算法的条纹投影背景去除
-
摘要
背景去除是从单幅条纹投影图中恢复相位的重要问题之一,提出了一种改进的模糊 c 均值(FCM)聚类算法来移除单幅条纹投影图中的背景。该方法使用改进的 FCM 算法将条纹分为黑、白条纹,并通过改进的 FCM 目标函数得到背景,从而从条纹投影图中去除背景。将该方法应用在两张模拟图和一张实验图上,并与傅里叶变换方法、基于形态学操作的二维经验模态分解方法、变分分解 TVHilbertL2模型进行了比较。实验结果表明,该方法提高了背景去除的能力和相位提取的精度。 -
具体算法:改进目标函数
3. 实验设计
三、基于改进模糊 c 均值聚类中心优化算法的负荷分类方法
- 摘要
为解决当前负荷预测模型中聚类中心随机性大、聚类结果质量差、稳定性差的问题,将传统的模糊 c 均值聚类和局部密度法结合,提出基于改进模糊 c 均值聚类中心优化算法的负荷分类方法。 首先,对收集得的负荷数据进行归一化处理,利用局部密度公式选择初始聚类中心;接着,对日负荷聚类,以某电网典型负荷作为算例验证该算法。 结果表明,该算法有较好的鲁棒性,提高了负荷数据聚类的有效性。 - 具体方法
(1)借助局部密度法确定初始中心
聚类中心选择随机、迭代次数增多、数据收敛性不确定的问题,本文将借助局部密度思想优化。首先,计算每一条曲线数据之间的平均距离
其次,提出局部密度法表示负荷曲线的方法。 以任意负荷曲线Xc作为例子,计算其与其他曲线之间的欧氏距离相比与临近曲线的平均距离小的范围类的所有曲线数量确定为局部密度参数,记为 ρ(mdist,xc),如式(2)所示:
(2)隶属度分析(实际问题出发)
(3)建立评价指标
(4)整体设计
- 实验设计:运用传统聚类方法和本文算法聚类,并对结果进行分析。
四、基于改进人工鱼群算法和模糊 C均值的WSN分簇算法
- 摘要:针对无线传感器网络节点能耗不均衡问题,提出一种基于改进人工鱼群算法和模糊C均值的分簇算法IAFCA。首先,利用IAFSA改进搜索视野及步长,避免迭代解陷入局部最优解,并将最终的迭代解作为FCM的初始聚类中心,克服FCM对初始解的敏感性。其次,FCM 在确定最佳簇头数目的基础上,根据节点间的距离相似性,有效建立起节点与聚类中心间的不确定性关系,合理进行节点分簇。最后,根据节点相对剩余能量和到聚类中心的距离两个参数选举出簇头。IAFCA 分别在两种场景下进行仿真实验,并与低能耗自适应聚类层次协议(Low Energy Adaptive Clustering Hierarchy,LEACH)及其变种算法进行对比。实验结果表明.IAFCA 在网络寿命和能量效率方面均优于传统的 WSN 分簇算法,有效延长了网络寿命降低了节点能耗。
- 具体算法
(1)改进人工鱼群算法:
(2)基于改进人工鱼群算法的FCM算法
3. 实验设计
(1)网络寿命分析
统计不同网络场景下存活节点的数量及各自的指标值
(2)能量效率分析
图 5 分别展示了IAFCA不同场景下每轮迭代中网络所有节点的平均剩余能量,并与LEACH和LEACH-C进行对比。
五、基于熵与邻域约束的模糊 C 均值改进算法
- 摘要:针对模糊 C 均值( FCM) 聚类算法没有考虑样本不同属性的重要程度、邻域信息等问题,提出一种基于熵与邻域约束的 FCM 算法。首先通过计算样本各属性的熵值来为各属性赋予权重,结合属性权重改进距离度量函数; 随后根据邻域样本与中心样本间的距离计算邻域隶属度权重,加权得到邻域隶属度,利用邻域隶属度约束目标函数,修正隶属度迭代过程,最终达到提升 FCM 聚类算法性能的目的。理论分析和在人造数据集、多个 UCI 数据集的试验结果表明,改进后的算法在聚类效果、鲁棒性上均优于传统 FCM 算法、PCM 算法、KFCM 算法、KPCM 算法和 DSFCM 算法,表明了本文算法的有效性。
- 具体算法
(1)熵值赋权法
权重系数 wt 表示各属性对于聚类的重要性,其作用是将各属性对聚类的影响进行放缩,使得对聚类过程影响大的属性权重更大,对聚类过程影响小的属性权重更小。
XTT:为什么利用熵值求出的权重可以作为特征对聚类影响程度的度量呢?
(2)邻域隶属度约束
邻域样本对于中心样本所属类别的影响取决于它们和中心样本的空间距离,距离越小,其对中心样本的影响越大,反之距离越大,对中心样本的影响越小。
(3)最终模型
3. 实验设计
(1)数据集:人造数据集和UCI数据集等多个真实数据集
(2)对比算法
(3)增加时间复杂度分析
六、基于自步数据重构正则化的模糊 C 均值聚类算法改进
- 摘要:为了有效降低模糊 C 均值算法对奇异值和噪声点的敏感性,本文提出一种自步数据重构正则化模糊 C 均值聚类算法。传统算法是在 C 均值算法的目标函数中引入加权参数来实现对数据的模糊性划分,而本文提出的方法则是通过对C 均值的目标函数进行数据重构正则化来实现,并以自步学习的方式逐步对数据点进行聚类。实验结果表明,本文算法在模拟数据、实际数据以及在图像分割中都能显著降低算法对奇异值和噪声数据的敏感性,聚类更为准确高效。
- 具体算法
(1)数据重构
(2)自步学习
(3)自步数据重构正则化模糊 C 均值
- 实验设计
(1)对比算法
(2)对比实验
① 聚类精度的比较
② 聚类分布图
③ 算法图像分割实验结果对比
七、小结
- 本文以快速了解模糊C均值聚类算法的改进现状为初心,选择了知网上相关文献进行阅读和重点摘取,未调研文献期刊及来源,不保证文献质量以及算法改进种类的覆盖程度;
- 在上述文献中,对于模糊C均值聚类的改进可以分为目标函数和隶属度约束两个大类,其中目标函数部分可以是对初始聚类中心的改进(物理上的局部密度、启发式算法的寻优或者其他)、距离的度量方式(目前距离存在什么问题)以及基于实际问题考虑增加的目标;隶属度约束可以是考虑样本邻域信息等提出的内容。数据正则化这篇文章相对来说较为抽象,不太好借鉴,暂不归于分类范围中。
- 还是要多看些文章,同时要注意简单实操。