CN107203785A - 多路径高斯核模糊c均值聚类算法 - Google Patents

多路径高斯核模糊c均值聚类算法 Download PDF

Info

Publication number
CN107203785A
CN107203785A CN201710408630.6A CN201710408630A CN107203785A CN 107203785 A CN107203785 A CN 107203785A CN 201710408630 A CN201710408630 A CN 201710408630A CN 107203785 A CN107203785 A CN 107203785A
Authority
CN
China
Prior art keywords
fuzzy
cluster centre
clustering algorithm
gaussian kernel
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710408630.6A
Other languages
English (en)
Inventor
文传军
陈荣军
刘福燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Institute of Technology
Original Assignee
Changzhou Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Institute of Technology filed Critical Changzhou Institute of Technology
Priority to CN201710408630.6A priority Critical patent/CN107203785A/zh
Publication of CN107203785A publication Critical patent/CN107203785A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种多路径高斯核模糊c均值聚类算法,包括如下步骤:1.对样本集合依MGKFCM目标函数最小化原则进行最优化划分;2.初始化聚类中心并利用梯度迭代公式计算模糊隶属度和目标函数值1;3.利用粒子群算法估计聚类中心并计算模糊隶属度和目标函数值2;4.根据目标函数值1和目标函数值2,选择目标函数值小的聚类中心作为迭代路径;5.计算得到MGKFCM目标函数。本发明综合了梯度法和粒子群算法两种高斯核聚类算法迭代路径,选择聚类目标函数值小的路径作为参数迭代路径,有效利用了两种算法的优化性能,达到了提升了聚类算法的聚类性能的目的。

Description

多路径高斯核模糊c均值聚类算法
技术领域
本发明属于数据挖掘领域进行无监督数据分类的算法,具体的说是一种多路径高斯核模糊c均值聚类算法。
背景技术
基于目标函数的模糊聚类方法具有类别模糊关系刻画、聚类问题数学形式表达、非线性规划优化理论等优点,因此成为聚类分析领域的研究主流。此类算法的典型算法包括模糊c均值聚类(FCM)、可能性c均值聚类算法(PCM)及推广算法,被广泛应用于图像处理、模式识别、计算机视觉等领域。
核方法利用核函数表示高维特征空间中内积运算,能够将低维输入空间的非线性关系投影为高维特征空间的线性关系,提升了模式间的区分性能,且无需明确知道具体的非线性映射形式,克服了机器学习的维数灾难,所以也被研究者引入模糊聚类领域并取得成功的应用。
核方法首先被Girolami和张莉、焦李成引入硬核聚类算法,在此基础上核方法被进一步的应用于模糊聚类算法,应用的关键和难点在于聚类中心的表示上。伍忠东等人将核方法引入模糊c均值聚类算法得到核模糊c均值聚类算法(kernel fuzzy c-meansclustering algorithm,KFCM),该KFCM算法利用梯度法和核聚类目标函数,在特征空间中得到聚类中心Φ(vi)的迭代公式,但由于非线性映射函数Φ(·)的不可知性,所以将其分别与非线性映射样本Φ(xj)和特征空间聚类中心Φ(vi)作内积运算并利用核函数表示,从而将Φ(vi)以隐式方式蕴藏在核聚类算法中,因此称此类核聚类算法为隐核模糊c均值聚类算法(hidden kernel fuzzy c-means clustering algorithm:HKFCM),HKFCM算法容易受到模糊指标的影响而导致聚类效果较差。
Zhang D Q等人提出了另外一种形式的核模糊c均值聚类算法,它将核聚类目标函数中的核函数取为Gauss核函数,由于Gauss核函数的特殊性,因此可以在输入空间结合梯度法和核聚类目标函数,得到由聚类中心vi和模糊隶属度uij所构成的聚类中心vi迭代计算公式,核聚类算法为Gauss核模糊c均值聚类算法(Guass kernel fuzzy c-meansclustering algorithm:GKFCM),GKFCM算法在迭代计算时需要首先对聚类中心vi作初始化,由于其较好的聚类性能而应用广泛。
于德亮等人运用粒子群生物进化算法(Particle Swarm Optimization:PSO)在聚类中心vi解空间中全局搜索优解,并基于核聚类目标函数构造适应度函数,称该核聚类算法为PSO核模糊c均值聚类算法(PSO kernel fuzzy c-means clustering algorithm:PSO-KFCM),PSO-KFCM和GKFCM一样是基于输入空间的,且都需要对聚类中心vi作初始化。
这些核模糊聚类算法都有着不同的聚类中心推导原理和参数迭代估计路径,不同的参数迭代路径即意味着不同的优解产生,一个自然的想法即是将这些参数迭代路径结合起来,从而搜索出更加优良的参数估计解,以提高核聚类算法的聚类性能。
发明内容
本发明为了进一步提升聚类算法的分类性能,充分利用各种核模糊聚类算法的非线性聚类能力,提出一种多路径高斯核模糊c均值聚类算法,目的在于充分利用不同核模糊聚类算法的分类信息,在参数估计迭代路径上进行优化信息结合,以提升聚类算法的聚类优化性能。
为了实现上述发明目的,本发明采用如下技术方案:
本发明多路径高斯核模糊c均值聚类算法,包括如下步骤:
步骤1:令X={x1,x2,L,xj,L,xn}表示给定的样本集合,xj表示第j个样本;1≤j≤n,n是样本的个数;对样本集合X进行最优化划分,使得目标函数值JKFCM最小,其中JKFCM由式(1)所确定。
在式(1)中,c表示划分的类别数,1≤i≤c,uij表示第j个样本xj隶属于第i类的模糊隶属度,0≤uij≤1,且有表示第j个样本xj归属于各类的模糊隶属度的和为1;U={uij,i=1,L,c;j=1,L,n}表示隶属度矩阵,m(m>1)为模糊指标,为uij的m次;dKij表示基于核函数K(·,·)空间下第j个样本xj与第i类聚类中心的距离vi,并且有:
dKij 2=||Φ(xj)-Φ(vi)||2=<Φ(xj)-Φ(vi),Φ(xj)-Φ(vi)>=K(xj,xj)+K(vi,vi)-2K(xj,vi) (2)
式(2)中,Φ(xj)表示第j个样本非线性映射到高维特征空间中的映射函数;并且有:
<Φ(xj),Φ(vi)>=K(xj,vi) (3)
式(4)为高斯核函数,σ∈R为尺度因子。
当核函数K(·,·)取值高斯核函数式(4)时,有:
KG(x,x)=1 (5)
则式(2)在高斯核函数下则转换为:
步骤2:初始化输入空间聚类中心vi (0),i=1,...,c;定义迭代次数为λ,最大迭代次数为λmax;初始化λ=1,则第λ次迭代的隶属矩阵为U(λ)={uij (λ),i=1,...,c,j=1,...,n},第λ次迭代的聚类中心为vi (λ),聚类中心矩阵为V(λ)={vi (λ),i=1,...,c}。
步骤3:依聚类中心vi (λ-1)结合式(7)计算得到样本模糊隶属度uij (λ)
式(7)中,KG表示高斯核函数,表示第λ次迭代时第j个样本xj隶属于第i类的模糊隶属度,vi (λ-1)表示第λ-1次迭代时第i类的聚类中心,i=1,...,c,j=1,...,n。
根据模糊隶属度uij (λ)及聚类中心vi (λ-1),结合式(8),得到更新的梯度聚类中心vi (λ)(1)。
步骤5:再利用模糊隶属度uij (λ)和更新的梯度聚类中心vi (λ)(1),以及目标函数式(1),得到第一个目标函数值J1 (λ)
步骤6:将聚类中心vi (λ)(1)作为PSO算法的一个初始解,结合uij (λ)及式(1)、(9)及PSO算法得到更新的PSO聚类中心vi (λ)(2)。
步骤7:再利用模糊隶属度uij (λ)和更新的PSO聚类中心vi (λ)(2),以及目标函数式(1),得到第二个目标函数值J2 (λ)
步骤8:比较两个目标函数值J1 (λ)和J2 (λ)的大小,若J1 (λ)小于J2 (λ),记目标函数值J(λ)=J1 (λ),vi (λ)=vi (λ)(1),若J1 (λ)大于J2 (λ),记目标函数值J(λ)=J2 (λ),vi (λ)=vi (λ)(2)。
步骤9:判断||vi (λ)-vi (λ-1)||<ε或λ>λmax,若成立,则uij (λ)为迭代算法参数估计出的最优模糊隶属度,并令uij (λ)=uij,vi (λ)=vi代入式(1)中,进而实现对样本集合X的最优划分,ε,λmax是事先给定的阈值。若不成立,则令λ=λ+1,重复步骤3顺序执行,直到条件满足为止。
与已有技术相比,本发明的有益效果体现在:
1.多路径高斯核模糊c均值聚类算法(MGKFCM)在每次迭代时,会并行产生两种聚类中心,梯度法聚类中心vi (1)(t+1)和PSO聚类中心vi (2)(t+1),对应生成两种目标函数值JMGKFCM (1)(t+1)及JMGKFCM (2)(t+1),当JMGKFCM (1)(t+1)小于JMGKFCM (2)(t+1)时,则MGKFCM算法聚类中心第t+1迭代vi(t+1)选择为vi (1)(t+1),反之则选择为vi (2)(t+1),因此MGKFCM算法的迭代路径有多种可能并且有多条路径选择,而不是仅仅依赖于梯度法迭代路径或PSO搜索迭代路径。MGKFCMs算法的多种路径选择特性说明了MGKFCM算法兼有梯度法和PSO算法优解搜索的长处,从而能够更加快速有效的确定对参数的估计。
2.MGKFCM算法不仅能够利用GKFCM算法的梯度信息,还能够结合PSO—KFCM算法的生物全局优解搜索性能,从而实现多种优解的充分借鉴,更好的从数据集中挖掘类别区分性能,达到提升聚类算法分类性能的目的。
具体实施方式
在本实施例中,构造三类二维高斯数据集作算法比对测试,三类二维高斯数据集的中心分别为(5,5)、(10、5)、(7.59.5826),这三个中心构成一个等边三角形,即三类数据集的中心是等距的,且三类高斯数据集的协方差矩阵都为[20,02],协方差矩阵用以反应数据集的离散程度,三类数据集的样本数都取为50。因为多路径高斯核模糊c均值聚类算法(以下简称MGKFCM算法)结合了GKFCM算法和PSO-KFCM算法的优势,所以为了验证MGKFCM算法的有效性,将MGKFCM算法与GKFCM算法和PSO-KFCM算法的作比较测试。
多路径高斯核模糊c均值聚类算法是按如下步骤进行:
步骤1:令X={x1,x2,L,xj,L,xn}表示给定的样本集合,xj表示第j个样本;1≤j≤n,n是样本的个数;对样本集合X进行最优化划分,使得目标函数值JKFCM最小,其中JKFCM由式(1)所确定。MGKFCM算法、GKFCM算法、PSO-KFCM算法的测试结果分别如表1、表2、表3所示。
在测试时,三种核聚类算法都选用Gauss核函数,Gauss核函数需要对Gauss核参数σ赋值,取核参数σ取值范围为[21,22,23,24],聚类算法模糊指标m取值为[2,3,4]。
每种聚类算法根据参数和数据集进行10次测试,计算各类聚类平均精度。MGKFCM、GKFCM、PSO-KFCM算法均选择对聚类中心做初始化。在MGKFCM及PSO-KFCM算法的有关PSO算法的初始化设置中,每个粒子的维数为c×d维,c=3为类别数,d=2对应了样本的维数,每个粒子的位置为6维,每2维分量对应了某一类的聚类中心,并取粒子位置的每维分量取值范围为[0,10],PSO算法适应度函数定义为式(9),粒子数取为20,迭代次数50次。直接利用PSO算法搜索解的测试结果并不理想,这是因为在高维输入空间中,存在多个局部极值点,有的极值点的聚类效果并不好,当PSO算法在搜索时落入了这些局部极值点,则导致聚类算法失效,因此利用FCM算法首先作聚类分析,然后将所得三类聚类中心串联作为一个初始粒子值代入PSO算法中。
表1 MGKFCM算法基于高斯数据集的测试结果
表2 GKFCM算法基于高斯数据集的测试结果
表3 PSO-KFCM算法基于高斯数据集的测试结果
MGKFCM算法基于高斯数据集的最高平均分类精度为95.00,最低平均分类精度为94.33,在聚类平均精度的基础上,再取聚类平均精度的平均为94.70。GKFCMs算法基于高斯数据集的最高平均分类精度为94.00,最低平均分类精度为93.33,聚类平均精度再平均为93.56。PSO-KFCMs算法基于高斯数据集的最高平均分类精度为94.00,在参数σ=4m=4时取得,最低平均分类精度为92.67,聚类平均精度的再平均为93.47。基于高斯数据集的对比测试表明,从最高平均分类精度、最低平均分类精度、聚类平均精度的再平均三个指标而言,MGKFCM算法能够表现出相对于GKFCM、PSO-KFCM算法更好的聚类性能,同时也说明MGKFCM算法对GKFCM、PSO-KFCM两算法各自优势的有效利用。
在式(1)中,c表示划分的类别数,1≤i≤c,uij表示第j个样本xj隶属于第i类的模糊隶属度,0≤uij≤1,且有表示第j个样本xj归属于各类的模糊隶属度的和为1;U={uij,i=1,L,c;j=1,L,n}表示隶属度矩阵,m(m>1)为模糊指标,为uij的m次;dKij表示基于核函数K(·,·)空间下第j个样本xj与第i类聚类中心的距离vi,并且有:
dKij 2=||Φ(xj)-Φ(vi)||2=<Φ(xj)-Φ(vi),Φ(xj)-Φ(vi)〉=K(xj,xj)+K(vi,vi)-2K(xj,vi) (2)
式(2)中,Φ(xj)表示第j个样本非线性映射到高维特征空间中的映射函数;并且有:
<Φ(xj),Φ(vi)>=K(xj,vi) (3)
式(4)为高斯核函数,σ∈R为尺度因子。
当核函数K(·,·)取值高斯核函数式(4)时,有:
KG(x,x)=1 (5)
则式(2)在高斯核函数下则转换为:
步骤2:初始化输入空间聚类中心vi (0),i=1,...,c;定义迭代次数为λ,最大迭代次数为λmax;初始化λ=1,则第λ次迭代的隶属矩阵为U(λ)={uij (λ),i=1,...,c,j=1,...,n},第λ次迭代的聚类中心为vi (λ),聚类中心矩阵为V(λ)={vi (λ),i=1,...,c}。
步骤3:依聚类中心vi (λ-1)结合式(7)计算得到样本模糊隶属度uij (λ)
式(7)中,KG表示高斯核函数,表示第λ次迭代时第j个样本xj隶属于第i类的模糊隶属度,vi (λ-1)表示第λ-1次迭代时第i类的聚类中心,i=1,...,c,j=1,...,n。
根据模糊隶属度uij (λ)及聚类中心vi (λ-1),结合式(8),得到更新的梯度聚类中心vi (λ)(1)。
步骤5:再利用模糊隶属度uij (λ)和更新的梯度聚类中心vi (λ)(1),以及目标函数式(1),得到第一个目标函数值J1 (λ)
步骤6:将聚类中心vi (λ)(1)作为PSO算法的一个初始解,结合uij (λ)及式(1)、(9)及PSO算法得到更新的PSO聚类中心vi (λ)(2)。
步骤7:再利用模糊隶属度uij (λ)和更新的PSO聚类中心vi (λ)(2),以及目标函数式(1),得到第二个目标函数值J2 (λ)
步骤8:比较两个目标函数值J1 (λ)和J2 (λ)的大小,若J1 (λ)小于J2 (λ),记目标函数值J(λ)=J1 (λ),vi (λ)=vi (λ)(1),若J1 (λ)大于J2 (λ),记目标函数值J(λ)=J2 (λ),vi (λ)=vi (λ)(2)。
步骤9:判断||vi (λ)-vi (λ-1)||<ε或λ>λmax,若成立,则uij (λ)为迭代算法参数估计出的最优模糊隶属度,并令uij (λ)=uij,vi (λ)=vi代入式(1)中,进而实现对样本集合X的最优划分,ε,λmax是事先给定的阈值。若不成立,则令λ=λ+1,重复步骤3顺序执行,直到条件满足为止。
由表1、2、3的对比实验可以说明,多路径高斯核模糊c均值聚类算法综合有效的利用GKFCM算法中梯度信息和PSO算法在生物进化参数寻优的优势,通过在迭代路径中的结合,将二者的不同原理的数据挖掘能力进行了互补和提升,从而获得了更加有有效的聚类表现,因此能够在数据挖掘、模式分类等领域有着较强的实际应用价值。
综上所述,本发明的多路径高斯核模糊c均值聚类算法(MGKFCM)包括如下步骤:1.对样本集合依MGKFCM目标函数最小化原则进行最优化划分;2.初始化聚类中心并利用梯度迭代公式计算模糊隶属度和目标函数值1;3.利用粒子群算法估计聚类中心并计算模糊隶属度和目标函数值2;4.根据目标函数值1和目标函数值2,选择目标函数值小的聚类中心作为迭代路径;5.计算得到MGKFCM目标函数。本发明综合了梯度法和粒子群算法两种高斯核聚类算法迭代路径,选择聚类目标函数值小的路径作为参数迭代路径,有效利用了两种算法的优化性能,达到了提升聚类算法的聚类性能的目的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.多路径高斯核模糊c均值聚类算法,包括如下步骤:
步骤1:对样本集合依MGKFCM目标函数最小化原则进行最优化划分;
步骤2:初始化聚类中心并利用梯度迭代公式计算模糊隶属度和第一目标函数值;
步骤3:利用粒子群算法估计聚类中心并计算模糊隶属度和第二目标函数值;
步骤4:根据第一目标函数值和第二目标函数值,选择目标函数值小的聚类中心作为迭代路径;
步骤5:计算得到MGKFCM目标函数。
2.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤1具体包括:令X={x1,x2,L,xj,L,xn}表示给定的样本集合,xj表示第j个样本;1≤j≤n,n是样本的个数;对样本集合X进行最优化划分,使得目标函数值JKFCM最小。
3.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤2具体包括:
步骤2-1:初始化输入空间聚类中心vi (0),i=1,…,c;定义迭代次数为λ,最大迭代次数为λmax;初始化λ=1,则第λ次迭代的隶属矩阵为U(λ)={uij (λ),i=1,...,c,j=1,...,n},第λ次迭代的聚类中心为vi (λ),聚类中心矩阵为V(λ)={vi (λ),i=1,...,c};
步骤2-2:依聚类中心vi (λ-1)结合式(7)计算得到样本模糊隶属度uij (λ)
式(7)中,KG表示高斯核函数,表示第λ次迭代时第j个样本xj隶属于第i类的模糊隶属度,vi (λ-1)表示第λ-1次迭代时第i类的聚类中心,i=1,...,c,j=1,...,n;
步骤2-3:根据模糊隶属度uij (λ)及聚类中心vi (λ-1),结合式(8),得到更新的梯度聚类中心vi (λ)(1):
步骤2-4:再利用模糊隶属度uij (λ)和更新的梯度聚类中心vi (λ)(1),以及目标函数式(1),得到第一个目标函数值J1 (λ)
4.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤3具体包括:
步骤3-1:将聚类中心vi (λ)(1)作为PSO算法的一个初始解,结合uij (λ)及式(1)、(9)及PSO算法得到更新的PSO聚类中心vi (λ)(2):
步骤3-2:再利用模糊隶属度uij (λ)和更新的PSO聚类中心vi (λ)(2),以及目标函数式(1),得到第二个目标函数值J2 (λ)
5.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤4具体包括:比较两个目标函数值J1 (λ)和J2 (λ)的大小,若J1 (λ)小于J2 (λ),记目标函数值J(λ)=J1 (λ),vi (λ)=vi (λ)(1),若J1 (λ)大于J2 (λ),记目标函数值J(λ)=J2 (λ),vi (λ)=vi (λ)(2)。
6.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤5具体包括:判断||vi (λ)-vi (λ-1)||<ε或λ>λmax,若成立,则uij (λ)为迭代算法参数估计出的最优模糊隶属度,并令uij (λ)=uij,vi (λ)=vi代入式(1)中,进而实现对样本集合X的最优划分,ε,λmax是事先给定的阈值;若不成立,则令λ=λ+1,重复步骤2-2顺序执行,直到条件满足为止。
7.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤1中,JKFCM由式(1)所确定:
在式(1)中,c表示划分的类别数,1≤i≤c,uij表示第j个样本xj隶属于第i类的模糊隶属度,0≤uij≤1,且有表示第j个样本xj归属于各类的模糊隶属度的和为1; U={uij,i=1,L,c;j=1,L,n}表示隶属度矩阵,m(m>1)为模糊指标,为uij的m次;dKij表示基于核函数K(·,·)空间下第j个样本xj与第i类聚类中心的距离vi,并且有:
dKij 2=||Φ(xj)-Φ(vi)||2=<Φ(xj)-Φ(vi),Φ(xj)-Φ(vi)>=K(xj,xj)+K(vi,vi)-2K(xj,vi) (2)
式(2)中,Φ(xj)表示第j个样本非线性映射到高维特征空间中的映射函数;并且有:
<Φ(xj),Φ(vi)>=K(xj,vi) (3)。
8.根据权利要求1所述的多路径高斯核模糊c均值聚类算法,其特征在于:所述步骤1中,式(4)为高斯核函数,σ∈R为尺度因子:
当核函数K(·,·)取值高斯核函数式(4)时,有:
KG(x,x)=1 (5)
则式(2)在高斯核函数下则转换为:
CN201710408630.6A 2017-06-02 2017-06-02 多路径高斯核模糊c均值聚类算法 Pending CN107203785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710408630.6A CN107203785A (zh) 2017-06-02 2017-06-02 多路径高斯核模糊c均值聚类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710408630.6A CN107203785A (zh) 2017-06-02 2017-06-02 多路径高斯核模糊c均值聚类算法

Publications (1)

Publication Number Publication Date
CN107203785A true CN107203785A (zh) 2017-09-26

Family

ID=59906650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710408630.6A Pending CN107203785A (zh) 2017-06-02 2017-06-02 多路径高斯核模糊c均值聚类算法

Country Status (1)

Country Link
CN (1) CN107203785A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术(北京)有限公司 用于聚类图像的方法和装置
CN108281146A (zh) * 2017-12-29 2018-07-13 青岛真时科技有限公司 一种短语音说话人识别方法和装置
CN108763590A (zh) * 2018-06-20 2018-11-06 合肥工业大学 一种基于双变加权核fcm算法的数据聚类方法
CN108828583A (zh) * 2018-06-15 2018-11-16 西安电子科技大学 一种基于模糊c均值点迹分簇方法
CN109670536A (zh) * 2018-11-30 2019-04-23 中国南方电网有限责任公司超高压输电公司检修试验中心 一种多源放电及干扰叠加情况下的局部放电信号聚类方法
CN109754010A (zh) * 2018-12-29 2019-05-14 北京化工大学 一种时序约束模糊聚类的间歇过程多模态划分方法
CN109902949A (zh) * 2019-02-22 2019-06-18 云南电网有限责任公司 一种需求响应资源分类方法
CN109903293A (zh) * 2019-01-24 2019-06-18 汕头大学 一种利用血流灌注参数的超声映射图进行组织分割的方法
CN111369493A (zh) * 2019-12-11 2020-07-03 重庆大学 一种多参数煤芯无损聚类多重映射分组方法
CN111522632A (zh) * 2020-04-14 2020-08-11 重庆邮电大学 基于核聚类特征选择的Hadoop配置参数选择方法
CN112215492A (zh) * 2020-10-12 2021-01-12 国网甘肃省电力公司电力科学研究院 一种基于电源空间分布及调节特性的聚合分群方法
CN112329565A (zh) * 2020-10-26 2021-02-05 兰州交通大学 一种基于高分遥感影像的道路建设监管方法及系统
CN113239859A (zh) * 2021-05-28 2021-08-10 合肥工业大学 一种焦点引导的人脸子空间模糊聚类方法及系统
CN113570349A (zh) * 2021-09-28 2021-10-29 广东电网有限责任公司中山供电局 基于em-fcm算法的电力员工画像侧写方法及系统

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108281146B (zh) * 2017-12-29 2020-11-13 歌尔科技有限公司 一种短语音说话人识别方法和装置
CN108281146A (zh) * 2017-12-29 2018-07-13 青岛真时科技有限公司 一种短语音说话人识别方法和装置
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术(北京)有限公司 用于聚类图像的方法和装置
CN108280477B (zh) * 2018-01-22 2021-12-10 百度在线网络技术(北京)有限公司 用于聚类图像的方法和装置
CN108828583A (zh) * 2018-06-15 2018-11-16 西安电子科技大学 一种基于模糊c均值点迹分簇方法
CN108828583B (zh) * 2018-06-15 2022-06-28 西安电子科技大学 一种基于模糊c均值点迹分簇方法
CN108763590A (zh) * 2018-06-20 2018-11-06 合肥工业大学 一种基于双变加权核fcm算法的数据聚类方法
CN108763590B (zh) * 2018-06-20 2021-07-27 合肥工业大学 一种基于双变加权核fcm算法的数据聚类方法
CN109670536A (zh) * 2018-11-30 2019-04-23 中国南方电网有限责任公司超高压输电公司检修试验中心 一种多源放电及干扰叠加情况下的局部放电信号聚类方法
CN109670536B (zh) * 2018-11-30 2023-05-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种多源放电及干扰叠加情况下的局部放电信号聚类方法
CN109754010A (zh) * 2018-12-29 2019-05-14 北京化工大学 一种时序约束模糊聚类的间歇过程多模态划分方法
CN109903293A (zh) * 2019-01-24 2019-06-18 汕头大学 一种利用血流灌注参数的超声映射图进行组织分割的方法
CN109902949A (zh) * 2019-02-22 2019-06-18 云南电网有限责任公司 一种需求响应资源分类方法
CN111369493A (zh) * 2019-12-11 2020-07-03 重庆大学 一种多参数煤芯无损聚类多重映射分组方法
CN111369493B (zh) * 2019-12-11 2023-10-10 重庆大学 一种多参数煤芯无损聚类多重映射分组方法
CN111522632A (zh) * 2020-04-14 2020-08-11 重庆邮电大学 基于核聚类特征选择的Hadoop配置参数选择方法
CN112215492A (zh) * 2020-10-12 2021-01-12 国网甘肃省电力公司电力科学研究院 一种基于电源空间分布及调节特性的聚合分群方法
CN112329565A (zh) * 2020-10-26 2021-02-05 兰州交通大学 一种基于高分遥感影像的道路建设监管方法及系统
CN113239859A (zh) * 2021-05-28 2021-08-10 合肥工业大学 一种焦点引导的人脸子空间模糊聚类方法及系统
CN113239859B (zh) * 2021-05-28 2022-08-19 合肥工业大学 一种焦点引导的人脸子空间模糊聚类方法及系统
CN113570349A (zh) * 2021-09-28 2021-10-29 广东电网有限责任公司中山供电局 基于em-fcm算法的电力员工画像侧写方法及系统
CN113570349B (zh) * 2021-09-28 2022-01-21 广东电网有限责任公司中山供电局 基于em-fcm算法的电力员工画像侧写方法及系统

Similar Documents

Publication Publication Date Title
CN107203785A (zh) 多路径高斯核模糊c均值聚类算法
CN105740651B (zh) 一种特定癌症差异表达基因调控网络的构建方法
CN107301430A (zh) 广义多变量模糊c均值聚类算法
CN103425994B (zh) 一种用于模式分类的特征选择方法
CN105260738A (zh) 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN103177265B (zh) 基于核函数与稀疏编码的高清图像分类方法
Ramathilagam et al. Extended Gaussian kernel version of fuzzy c-means in the problem of data analyzing
Chen et al. Research on location fusion of spatial geological disaster based on fuzzy SVM
Fornarelli et al. An unsupervised multi-swarm clustering technique for image segmentation
Sheng et al. Multilocal search and adaptive niching based memetic algorithm with a consensus criterion for data clustering
CN105069471B (zh) 基于模糊标签的高光谱数据子空间投影和分类方法
Hooda et al. Fuzzy clustering using gravitational search algorithm for brain image segmentation
CN108921853B (zh) 基于超像素和免疫稀疏谱聚类的图像分割方法
Poojitha et al. A collocation of IRIS flower using neural network clustering tool in MATLAB
Suresh et al. Data clustering using multi-objective differential evolution algorithms
CN113688960A (zh) 基于灰狼优化ghfcm的居民电力数据聚类方法及装置
CN109858533A (zh) 一种前置核的rbf-mlp混合结构神经网络分类器
CN109409394A (zh) 一种基于半监督聚类的cop-kmeans方法与系统
CN115985503B (zh) 基于集成学习的癌症预测系统
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN109766910A (zh) 基于相似度传递的图聚类方法
Pan et al. Multi-agent evolutionary clustering algorithm based on manifold distance
CN114548197A (zh) 一种基于自律学习sdl模型的聚类方法
CN104537667A (zh) 基于方向多目标遗传聚类算法的图像分割方法
Abdelaal et al. Using pattern recognition approach for providing second opinion of breast cancer diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170926