模糊聚類算法在模式分類中的應(yīng)用研究.pdf

1、模式分類是機器學(xué)習(xí)、人工智能等研究領(lǐng)域的重要基礎(chǔ)。自模式識別這一學(xué)科產(chǎn)生以來多種方法被應(yīng)用于其中,但是由于實際生活中的多數(shù)的分類問題沒有清晰的界限,所以人們提出了將模糊理論引入到聚類問題中,并將模糊聚類算法成功的應(yīng)用于解決模式分類問題。本文主要研究了模糊C均值(FCM)的改進及其應(yīng)用。
　　 文中首先總結(jié)介紹模糊聚類的一些基礎(chǔ)知識以及常用模糊聚類算法。通過對高維數(shù)據(jù)的分類,比較了硬C均值、模糊C均值算法的聚類效果和算法性能,并且

2、總結(jié)了兩種算法的區(qū)別與聯(lián)系。因為希望能將非線性聚類問題簡化而引入了模糊核聚類的概念,通過與模糊C均值算法的比較,總結(jié)了模糊核聚類的優(yōu)缺點。
　　 模糊C均值一個最廣泛的應(yīng)用就是圖像分割。考慮到圖像空間鄰域信息以及各像素點貢獻率的不同,引入了基于加權(quán)的模糊C均值聚類算法。通過比較證實了初始聚類中心選取對聚類結(jié)果的影響,因此利用灰度直方圖信息改進了基于加權(quán)的FCM的算法的初始聚類中心選取方式。仿真比較了改進算法與傳統(tǒng)FCM的分割效果

3、,證實了改進算法不但大大減少了每次迭代的計算量,并且增強了抗噪聲性。
　　 根據(jù)不同彩色空間的圖像分割結(jié)果不同的特點,本文選擇了更接近人眼識別效果的HSI彩色空間,通過將RGB圖像變換獲得了H、S、I三個分量。利用基于加權(quán)的改進的FCM算法對分量圖像的聚類結(jié)果獲得一個新的彩色圖像分割特征。仿真比較證明新方法分割彩色圖像取得了更好的效果。
　　 由于圖像分割一個很重要的應(yīng)用是作為機器視覺的基礎(chǔ),所以本文介紹了一般機器視覺系