模糊C均值聚類的理論與應(yīng)用研究.pdf

1、模糊C均值(FCM)聚類分析作為非監(jiān)督模式識別的一個重要分支,在模式識別、數(shù)據(jù)挖掘、計算機視覺以及模糊控制等領(lǐng)域具有廣泛的應(yīng)用。該算法是一種基于目標(biāo)函數(shù)的聚類算法,有著深厚的數(shù)學(xué)理論基礎(chǔ)而且設(shè)計簡單,解決問題的范圍比較廣,同時以該算法為基礎(chǔ)也形成了一大批基于其他原型的FCM算法。但該算法也存在著許多亟待解決的問題,比如:需要人為定義聚類原型參數(shù)、聚類結(jié)果容易陷入局部極值點或鞍點、大數(shù)據(jù)量下算法耗時長、對特殊類型數(shù)據(jù)無法直接處理等,因此F

2、CM聚類算法也有待于進一步改進。
　　 本文在眾多的研究成果基礎(chǔ)上,針對FCM聚類算法存在的不足,進行了較為深入的研究?；诮庋Х?、樣本的統(tǒng)計特性和核函數(shù)等理論,分別提出了兩種改進的FCM聚類算法,并根據(jù)香農(nóng)信息熵和模糊變差理論,提出了一種新的聚類有效性指標(biāo)來評價模糊聚類的劃分結(jié)果；另外,通過考慮鄰域像素的影響和設(shè)計權(quán)值的方法,提出了一種可應(yīng)用于含噪圖像分割的加權(quán)FCM算法,同時對于較復(fù)雜的圖像,還通過FCM算法的有效性函數(shù)來