新型聚類算法在圖象處理等方面研究與應(yīng)用.pdf

1、模式識(shí)別技術(shù)是人工智能的重要研究?jī)?nèi)容?；诟鞣N技術(shù)，幾十年來(lái)各種不同的模式識(shí)別方法得到了廣泛的研究與應(yīng)用。在當(dāng)今飛速發(fā)展的數(shù)據(jù)挖掘和探查性數(shù)據(jù)分析中，聚類分析技術(shù)已廣泛應(yīng)用于模式識(shí)別、圖像處理、生物、心理、計(jì)算機(jī)視覺(jué)和遙感等領(lǐng)域.在實(shí)際問(wèn)題中，已有的各種聚類算法各有其優(yōu)勢(shì)，如何提高聚類算法的抗噪聲能力和魯棒性能，以及如何針對(duì)不同的數(shù)據(jù)集尋找最優(yōu)的聚類方法，并給出合理的解釋，成為眾多學(xué)者正致力于研究并解決的問(wèn)題。 本文針對(duì)目前聚類

2、算法及其應(yīng)用中的一些熱點(diǎn)問(wèn)題展開(kāi)了研究與探討工作，主要的工作分為以下三部分： 第二章提出了一般化的改進(jìn)模糊劃分的FCM聚類算法GIFP-FCM(Generalized Fuzzy C-Means Clusteringwith Improved Fuzzy Partitions)，通過(guò)引入新的隸屬度約束，解決了IFP-FCM(Improved FuzzyPartitions for FCM algorithm)算法模糊指數(shù)m的一般

3、化問(wèn)題；同時(shí)GIFP-FCM算法從Voronoi距離和競(jìng)爭(zhēng)學(xué)習(xí)的角度對(duì)其魯棒性和快速收斂性進(jìn)行了合理解釋：其次，通過(guò)引入模糊程度系數(shù)α，使得FCM算法和IFP-FCM算法分別表示為GIFP-FCM算法在α等于O和α趨于1時(shí)的特例。實(shí)驗(yàn)結(jié)果表明GIFP-FCM算法較之于IFP-FCM和FCM算法具有更好的魯棒性和參數(shù)適應(yīng)性；在紋理圖像分割中，GIFP-FCM也明顯優(yōu)于IFp-FCM和FCM算法。 第三章根據(jù)文本數(shù)據(jù)具有方向性數(shù)據(jù)的

4、特征，可利用方向數(shù)據(jù)的知識(shí)完成對(duì)文本數(shù)據(jù)聚類，提出了模糊方向相似性聚類算法FDSC(Fuzzy Directional Similarity Clustering)，繼而從競(jìng)爭(zhēng)學(xué)習(xí)角度，通過(guò)引入隸屬度約束函數(shù)，并根據(jù)拉格朗日優(yōu)化理論推導(dǎo)出魯棒的模糊方向相似性聚類算法RFDSC(Robust Fuzzy Directional Similarity Clustering)。實(shí)驗(yàn)結(jié)果表明RFDSC算法能夠快速有效的應(yīng)用于數(shù)據(jù)挖掘及文本聚類中