基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。     

模糊C-均值聚类对点云数据的分割

点云数据的分割是点云数据处理流程中的重要内容,同时也是点云数据三维重建的前提和基础.该研究在模糊C-均值聚类(FCM)算法的基础上,根据标靶点云和建筑物点云数据的不同特征进行实验,通过Matlab对地面雷达的标靶、建筑物点云数据进行分割,探讨模糊C-均值聚类算法对点云数据分割的可行性.实验结果显示,通过选择正确点云数据的特征属性,利用模糊C-均值算法对点云数据分割具有一定的可行性.     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

黄土高原台塬区域麦田土壤养分的管理分区

为探索适宜黄土高原边缘台塬区域麦田土壤养分的管理分区方法,找出对产量影响较大的土壤养分因子,以闻喜县麦田作为研究对象,将地形因子、土壤类型和土壤养分作为输入因子,分别采用K均值聚类、模糊C均值聚类、分级分区3种方法进行管理分区,以变异系数作为评价指标,找出适宜该区域麦田土壤养分的管理分区方法。结果表明,闻喜县的麦田地形因子、土壤养分的空间变异性较大,适宜进行管理分区;较未分区前,K均值聚类、模糊C均值聚类、分级分区均能降低麦田土壤养分的变异系数,其中,分级分区降低幅度最大,达27.07%;地形因子和土壤养分的主成分分析表明,地形因子对主成分的贡献较大,地形因子与土壤养分呈负相关关系。黄土高原边缘台塬区域地形复杂,地形因子掩盖了麦田土壤养分对产量的影响,导致K均值聚类和模糊C均值聚类分区不适宜该区域管理分区。分级分区是适合该区域的麦田土壤养分管理分区方式。     

不确定数据聚类算法研究

UK均值算法需要计算每个对象之间的期望距离（EDS）和聚类中心， EDS计算的成本就成了UK均值计算的性能瓶颈。为了提高UK均值的计算效率，本文提出一种优化的UK均值算法，通过一个高效的公式来估计期望距离，大大降低了UK均值的额外时间，并在实验中得以证明。我们还说明这个优化公式有效地将UK均值算法降低到了传统的基于K均值的聚类算法。     

k-均值聚类算法及其应用

K均值聚类算法是聚类方法中使用相对广泛的一种算法。K均值聚类算法将K作为人工事先设定的一个聚类参数,也就是目标把N个样本对象数据划分为K个簇类,使每个簇内样本对象都具有相对较高的相似度。然而在使用k均值聚类算法的时候,预先要确定想要聚类的类别数k,但是有时有又无法得到最合适的聚类数k,也就加大了人工计算量。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

模糊聚类计算方法的理论分析

分析了聚类分析４种原始数据规格化处理的数据特征，提出最大值规格化与均值规格化，由于能保持不同指标的原分辨力，是较好的方法。将常用的相似性度量方法分为绝对差数、相对差数、比例相似性３种类型。论证了基于模糊等价关系的模糊聚类法就是经典系统聚类的最短距离法，模糊系统聚类仅是一般系统聚类法的特例。     

基于FCM的绿洲农田养分管理分区研究

 【目的】以天山北麓绿洲农耕区——新疆农八师148团农田为研究对象,以193个耕层土壤（0～30 cm）有机质、碱解氮、速效磷和速效钾含量的分析数据为变量进行农田土壤养分精确管理分区研究。【方法】模糊c-均值聚类法被用来进行分区,以棉田产量为外部变量,采用FPI、c-φ多次组合法及基于外部变量的多元回归法来确定适宜的模糊控制参数。【结果】研究区最佳分区数为4,模糊指数为1.6。各管理分区土壤养分的变异系数都较分区前全研究区有所减小,而分区间土壤养分差异显著。研究区的平均混乱度指数为0.19,不同模糊类别交叠程度小,地理空间上土壤的隶属关系相对明确。【结论】通过选取适宜的外部变量,模糊c-均值聚类法可以较好地进行管理分区划分,分区结果可以作为变量施肥的单独作业单元进行耕作管理。     

基于模糊聚类分析的田间精确管理分区研究

【目的】以海涂围垦区盐碱土为研究对象，将从SPOT遥感影像提取出的NDVI数据和盐碱地土壤生产力的主要限制因子盐分数据及部分养分数据作为变量进行精确农业管理分区研究。【方法】模糊c均值聚类方法被用来进行分类分区，并引入了模糊聚类指数和归一化分类熵两种分区效果评价指标，对分区结果进行比较和评价。【结果】本研究区，最佳的分区数目为3个。对处于每一子区内土样的化学特性和实测棉花产量数据进行方差分析，发现其均值在所定义的每个管理分区内都存在着统计意义上的显著差异性，其中子区3具有最高的肥力水平和作物产量，而子区1最低。【结论】利用所选取的变量，模糊c均值聚类算法可以较好地进行管理分区划分。分区结果不但可以指导采样，而且可用于实施变量投入和精确施肥推荐，为样区土壤管理提供科学的决策依据。     

关于模糊聚类一种算法的注记

本文对有人采用的模糊聚类的一种算法给出了一个反例。并说明这种方法的采用是有条件的。     

基于改进模糊聚类的烟草品质集成评价模型

针对烟草化学成分与烟草品质之间难以建立确定的数学模型的问题,提出了一种基于改进模糊聚类的烟草品质评价方法。该方法以烟叶样品的化学成分的差异性为依据,以模型分类结果与专家评吸结果的一致性为目标,利用模拟退火算法对现有的模糊聚类算法进行优化改进,建立基分类器;在此基础上,利用Ada Boost将基分类器对于不同样本集的多个分类结果进行集成,形成最终的烟草品质评价模型。以130组烟叶作为烟草样本,测定了各烟叶样品中总糖、还原糖、总氮、烟碱、氧化钾、氯离子、蛋白质7种化学成分含量,并采用改进的模糊聚类方法与神经网络算法、模糊聚类算法进行对比试验,该方法的误检率为6.7%,具有提升小样本数据的辨识能力,优于所比较的其他2种方法。     

盐渍土分类的模糊聚类法探讨

【目的】寻求更为准确的盐渍土分类方法。【方法】对模糊聚类法的原理进行了介绍,并结合西北某机场重要建筑物的地质特点,利用模糊聚类法对该地区10个检测点的地基土进行了分类。【结果】西北某机场10个检测点的地基土可分为4类,即(1,2,3,4,8,9)区域属于亚硫酸盐渍土;(5,6)区域属于亚氯盐渍土;(10)区域属于碳酸盐渍土;而(7)区域属于非盐渍土。【结论】盐渍土分类的模糊聚类法较传统分类法简单、准确可靠,尤其是能具体判断出某点或某区域是否为盐渍土,对盐渍土的评判和地基处理有较大帮助。     

DNA序列分类模型

通过研究DNA序列链之间的关联程度,构造出模糊矩阵.再利用模糊聚类方法进行聚类.运行该模型时,只要输入几个待定参数及阈值λ就可以将含有很多DNA序列链的集合进行分类.     

改进模糊聚类算法在浙江旱栽优势作物核心种质研究中的应用

模糊聚类分析已被广泛应用在气象预报、地质、模式识别、数据挖掘等方面。文章将模糊聚类分析应用于作物核心种质构建过程中,并对传统的模糊聚类算法进行了改进,在相似系数和距离系数的基础上,提出了一种既能考虑到样本之间的值贴近程度,又能考虑到样本之间的形贴近程度的改进系数——相似度,用相似度矩阵替代传统的相似矩阵,使模糊聚类分析模型能够更符合构建作物核心种质的需要。     

加权空间模糊动态聚类算法在土壤肥力评价中的应用

 【目的】改进和提高空间模糊聚类算法。【方法】首先利用层次分析法得到各属性的权值,然后将权值与空间模糊动态聚类法相结合,最后利用概率统计中的F分布来确定最佳分类,以提高空间模糊聚类算法的智能性。【结果】加权空间模糊动态聚类算法与基于模糊等价关系的传递闭包方法进行比较表明,当λ取0.993时,F值最大,分类效果最好。此时,加权的F值为4.898,未加权的F值为2.957,说明加权的类间的差距比未加权的明显,即该算法聚类准确率要明显高于未加权的模糊聚类算法。【结论】将其改进的算法运用到精准农业的土壤肥力评价中,试验结果与实际情况相符,证明了该算法的有效性。     

模糊聚类循环迭代模型在宁波市干旱程度评估中的应用

针对干旱评价中指标选取的模糊性及采用单一指标评价存在的不足,选取9个代表站点的逐月降水观测资料,应用陈守煜教授提出的模糊聚类循环迭代模型,对浙江省宁波市2000—2009年的干旱程度进行评估。结果表明:当模型参数变化时,评价区域各年样本的级别特征值基本稳定于一个较小范围内,并且得到的结果与历史文献记载基本吻合,说明模糊聚类循环迭代模型在干旱评估中具有可行性与实用性。     

运用模糊集对聚类评价模型评价区域水环境质量

运用模糊集对聚类评价模型进行区域水环境质量评价,选择溶解氧、高锰酸盐指数、化学需氧量等7项指标,确定分级标准,应用层次分析法得出各项指标权重值,然后通过联系度对嘉临江(广元段)的水环境质量现状进行评价。结果表明,TN是各断面的主要污染指标,应加以重点监控;八庙沟断面、上石盘断面、安家湾断面、南渡断面水质状况是Ⅳ级,苴国村断面是Ⅱ级,姚渡断面是Ⅲ级,与模糊综合评价法的计算结果相比较,模糊集对聚类评价模型理论严谨、计算简洁,评价结果合理可靠,该方法具有一定的推广应用价值。