导读:本文包含了核模糊均值聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊均值,牛羊检测,直方图,自动
核模糊均值聚类论文文献综述
唐波,龚雪娇,朱瑞金[1]（2018）在《基于模糊均值聚类分割的牛羊自动检测算法》一文中研究指出文章设计了一个牛羊的数量自动检测算法,由于模糊C均值聚类分割算法(FCM)广泛应用于图像聚类分割中,所以文章利用聚类分割法进行牛羊图像的自动分割。但是FCM算法的速度慢,耗时长,所以对FCM算法进行改进,将直方图特征引入FCM算法中形成了基于直方图的快速FCM分割算法。改进算法主要是将像素空间转化为直方图特征空间,从而降低了数据量,大幅度提升了分割速度,减少了运行时间。最后利用6组牛羊图像进行分割实验,实验结果表明文章提出的算法检测的相对误差低于允许误差5%,满足指标要求。(本文来源于《信息通信》期刊2018年12期）
罗敏,刘洞波,王宁,陈鑫海[2]（2018）在《改进核模糊C均值聚类算法在服装图像分割中的研究》一文中研究指出图像分割是基于内容的服装图像检索系统的重要研究内容之一,传统的模糊C均值聚类算法在用于图像分割时,存在对样本分布和输入参数有限制、收敛于局部最优解、对噪声敏感等缺点.本文加入高斯核函数优化空间样本数据计算,并利用局部空间信息提高图像分辨能力,有效改善了模糊聚类算法.通过实验发现,改进的算法提高了图像类与类之间的分离性,分割结果更准确,对样本间的微小差别处理较好,具有更加可靠的性能.(本文来源于《湖南工程学院学报(自然科学版)》期刊2018年02期）
文传军,汪庆淼[3]（2018）在《多路径高斯核模糊C均值聚类算法》一文中研究指出聚类算法单一迭代路径限制了参数优值的搜索。提出一种多路径高斯核模糊C均值聚类算法(MGKFCMs),MGKFCMs算法首先取核目标函数及模糊隶属度函数中的核函数为高斯核函数;然后利用梯度法得到聚类中心迭代公式,并基于该迭代公式和粒子群算法作聚类中心的并行参数迭代,在每一次聚类迭代时,选择聚类目标函数值小的路径作为参数迭代最终路径。对比分析了MGKFCMs算法的相关性质,通过仿真实验验证了所提算法的有效性。(本文来源于《计算机工程与科学》期刊2018年05期）
文传军,詹永照[4]（2018）在《粒子群高斯诱导核模糊C均值聚类算法》一文中研究指出为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊C均值聚类算法(PSO Gauss-induced kernel fuzzy C-means clustering algorithm,PSO-GIKFCM)。首先将高斯核函数应用于模糊C聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。(本文来源于《科学技术与工程》期刊2018年08期）
刘奕麟,安建成[5]（2018）在《优化的核模糊C均值聚类算法》一文中研究指出提出一种优化的核模糊C均值聚类算法(WBAKFCM).该算法首先通过改进蝙蝠算法(Weight bat Algorithm,WBA)确定最优聚类中心集合,然后用核模糊C均值聚类算法指导聚类划分.一方面,改进的蝙蝠算法在传统的蝙蝠算法中引入佳点集理论和速度权重,分别用于调节种群的初始化和个体位置的自适应更新.另一方面,在核模糊C均值聚类算法(Kernel Fuzzy C-Means,KFCM)中,选用了高斯核函数,从而将数据映射到高维特征空间进行聚类划分.实验结果表明,优化的核模糊C均值聚类算法在聚类准确率与时间效率上明显优于传统算法.(本文来源于《微电子学与计算机》期刊2018年02期）
周建民,郭慧娟,张龙[6]（2017）在《基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法》一文中研究指出为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。(本文来源于《机械设计与研究》期刊2017年06期）
肖林云,陈秀宏,林喜兰[7]（2016）在《邻域信息熵的核模糊C均值聚类图像分割算法》一文中研究指出引入邻域信息熵并用核距离代替简单的欧式距离,提出了邻域信息熵的核模糊C均值聚类图像分割算法(EKWFLICM).实验表明,该算法具有比WFLICM算法更强的去噪声能力,以使保留原图像细节的能力,具有一定实际应用价值.(本文来源于《微电子学与计算机》期刊2016年11期）
陈波,张可可[8]（2016）在《可能性模糊均值聚类的变压器故障诊断研究》一文中研究指出为提高变压器故障诊断准确率,采用一种可能性模糊均值聚类算法。首先,对变压器的故障与绝缘油中溶解的气体之间关系进行分析,推导出采用特征气体法判断变压器故障依据。其次,分析传统模糊均值聚类算法的原理,指出传统模糊均值聚类在变压器故障诊断中存在对数据噪音干扰敏感,影响诊断结果等问题,并在此基础上提出采用一种可能性模糊聚类均值算法,建立变压器系统故障模型的目标函数,确定算法步骤流程图。实验对比表明,采用可能性模糊均值聚类算法对变压器故障取得了良好的诊断效果。(本文来源于《工业技术创新》期刊2016年04期）
李斌,狄岚,王少华,于晓瞳[9]（2016）在《基于改进核模糊C均值类间极大化聚类算法》一文中研究指出传统的核聚类仅考虑了类内元素的关系而忽略了类间的关系,对边界模糊或边界存在噪声点的数据集进行聚类分析时,会造成边界点的误分问题。为解决上述问题,在核模糊C均值(KFCM)聚类算法的基础上提出了一种基于改进核模糊C均值类间极大化聚类(MKFCM)算法。该算法考虑了类内元素和类间元素的联系,引入了高维特征空间的类间极大惩罚项和调控因子,拉大类中心间的距离,使得边界处的样本得到了较好的划分。在各模拟数据集的实验中,该算法在类中心的偏移距离相对其他算法均有明显降低。在人造高斯数据集的实验中,该算法的精度(ACC)、归一化互信息(NMI)、芮氏指标(RI)指标分别提升至0.913 2,0.757 5,0.913 8。(本文来源于《计算机应用》期刊2016年07期）
孙立新,张栩之,邓先瑞,魏萍[10]（2016）在《自适应果蝇算法优化模糊均值聚类算法图像分割》一文中研究指出为提高图像分割精度,并针对传统模糊均值聚类算法存在的聚类中心选取问题,提出一种改进果蝇算法优化模糊均值聚类算法的图像分割算法。首先,根据上一代最优味道浓度判断值和当前迭代次数来自适应调整果蝇算法进化步长,在初期的步长大可避免陷入局部最优,进化后期果蝇移动步长变小可获得更高的收敛精度,加快收敛速度;然后,采用改进果蝇算法选择模糊均值聚类算法的初始聚类中心,实现图像分割;最后,采用仿真实验测试算法的性能,实验结果表明,相对于对比算法,算法在分割正确率、分割速度及鲁棒性上均更优,具有更广的应用前景。(本文来源于《控制工程》期刊2016年04期）
核模糊均值聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
图像分割是基于内容的服装图像检索系统的重要研究内容之一,传统的模糊C均值聚类算法在用于图像分割时,存在对样本分布和输入参数有限制、收敛于局部最优解、对噪声敏感等缺点.本文加入高斯核函数优化空间样本数据计算,并利用局部空间信息提高图像分辨能力,有效改善了模糊聚类算法.通过实验发现,改进的算法提高了图像类与类之间的分离性,分割结果更准确,对样本间的微小差别处理较好,具有更加可靠的性能.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
核模糊均值聚类论文参考文献
[1].唐波,龚雪娇,朱瑞金.基于模糊均值聚类分割的牛羊自动检测算法[J].信息通信.2018
[2].罗敏,刘洞波,王宁,陈鑫海.改进核模糊C均值聚类算法在服装图像分割中的研究[J].湖南工程学院学报(自然科学版).2018
[3].文传军,汪庆淼.多路径高斯核模糊C均值聚类算法[J].计算机工程与科学.2018
[4].文传军,詹永照.粒子群高斯诱导核模糊C均值聚类算法[J].科学技术与工程.2018
[5].刘奕麟,安建成.优化的核模糊C均值聚类算法[J].微电子学与计算机.2018
[6].周建民,郭慧娟,张龙.基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J].机械设计与研究.2017
[7].肖林云,陈秀宏,林喜兰.邻域信息熵的核模糊C均值聚类图像分割算法[J].微电子学与计算机.2016
[8].陈波,张可可.可能性模糊均值聚类的变压器故障诊断研究[J].工业技术创新.2016
[9].李斌,狄岚,王少华,于晓瞳.基于改进核模糊C均值类间极大化聚类算法[J].计算机应用.2016
[10].孙立新,张栩之,邓先瑞,魏萍.自适应果蝇算法优化模糊均值聚类算法图像分割[J].控制工程.2016