论文部分内容阅读
模糊聚类分析作为信息科学、统计学、数学、机器学习等多个学科交叉而形成的一种无监督的数据分析方法,是数据分析、知识发现和智能决策等领域中的重要研究内容。本文在对国内外关于模糊聚类相关研究进行深入了解的基础上,采用理论分析、数据实验和应用研究相结合的方法,对模糊聚类进行了较深入的研究。课题从以下几个方面对现有算法做出以下改进:引入了局部空间信息解决了数据受邻域数据影响的问题;引入了数据典型性解决了数据在计算中和中心距离远近影响问题;引用模糊直觉算法解决了对数据不确定性进行了定性研究问题。首先,针对现有模糊聚类法存在去噪性差,计算量大,鲁棒性不足问题,提出一种新的混合聚类算法,新的算法兼容模糊C-均值聚类、聚类空间邻域和聚类数据典型性特性。新的算法综合考虑了运用模糊数学去处理数据的模糊性的优点、数据受邻域数据影响的空间邻域客观性优点和数据离中心距离远近的典型性优点。实验结果表明,合理地设置不同指标的权重能够解决现有聚类算法鲁棒性不足、去燥性差的缺点,较好的实现对给定数据集聚类划分。其次,针对现有模糊C-均值(FCM)算法对噪声敏感性问题,数据空间考虑不足问题,提出了一种模糊C-均值(FCM)算法的改进算法偏倚校正模糊加权C-均值聚类算法。该算法采用模糊的局部(空间和灰度)相似性度量,同时在隶属度中加入了数据属性典型性分析,以保证对噪声不敏感和图像细节的保存。再次,针对上述偏倚校正模糊加权C-均值聚类算法计算量大和模糊C-均值聚类算法对图像细节处理能力较弱的问题,提出一个新的算法核偏差校正模糊加权C-有序均值聚类算法。该算法以核诱导距离测度为基础,结合模糊局部(空间和灰度)相似性度量和数据属性典型性,解决了空间约束模糊C-均值聚类算法对图像噪声不敏感和计算量大等问题。核偏差校正模糊加权C-有序均值聚类算法的中心思想是通过核函数使在低维空间不好解决的问题映射到高维空间,以简化计算增强算法的鲁棒性。最后,针对现有聚类算法对不确定性因素多的图像数据处理中图像噪声敏感性差的问题,提出了一种基于直觉模糊集理论的直觉模糊典型性加权C-有序均值聚类算法。直觉模糊典型性加权C-有序均值聚类算法在隶属度、非隶属度的基础上加入了犹豫度的概念,将数据的不确定性进行定性研究。该算法改善了现有算法对图像噪声敏感性的性能,具有计算量更小和鲁棒性强的优点。