• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)核模糊C均值類間極大化聚類算法

    2016-07-19 20:39:39李斌狄嵐王少華于曉瞳
    計(jì)算機(jī)應(yīng)用 2016年7期
    關(guān)鍵詞:類間魯棒性均值

    李斌 狄嵐 王少華 于曉瞳

    摘要:傳統(tǒng)的核聚類僅考慮了類內(nèi)元素的關(guān)系而忽略了類間的關(guān)系,對(duì)邊界模糊或邊界存在噪聲點(diǎn)的數(shù)據(jù)集進(jìn)行聚類分析時(shí),會(huì)造成邊界點(diǎn)的誤分問(wèn)題。為解決上述問(wèn)題,在核模糊C均值(KFCM)聚類算法的基礎(chǔ)上提出了一種基于改進(jìn)核模糊C均值類間極大化聚類(MKFCM)算法。該算法考慮了類內(nèi)元素和類間元素的聯(lián)系,引入了高維特征空間的類間極大懲罰項(xiàng)和調(diào)控因子,拉大類中心間的距離,使得邊界處的樣本得到了較好的劃分。在各模擬數(shù)據(jù)集的實(shí)驗(yàn)中,該算法在類中心的偏移距離相對(duì)其他算法均有明顯降低。在人造高斯數(shù)據(jù)集的實(shí)驗(yàn)中,該算法的精度(ACC)、歸一化互信息(NMI)、芮氏指標(biāo)(RI)指標(biāo)分別提升至0.9132,0.7575,0.9138。

    對(duì)于邊界模糊或邊界存在噪聲點(diǎn)的數(shù)據(jù)集,該聚類算法具有理論研究意義。

    關(guān)鍵詞:

    核聚類;模糊C均值聚類;類間極大懲罰項(xiàng);模糊邊界

    中圖分類號(hào): TP391.4; TP18 文獻(xiàn)標(biāo)志碼:A

    0引言

    聚類分析是數(shù)據(jù)挖掘和無(wú)監(jiān)督模式識(shí)別學(xué)習(xí)的主要任務(wù)之一,已廣泛應(yīng)用于數(shù)據(jù)挖掘、圖像處理、計(jì)算機(jī)視覺(jué)、生物信息和文本分析等領(lǐng)域中。針對(duì)數(shù)據(jù)的分析方法一般分為三大類,即有監(jiān)督的學(xué)習(xí)、半監(jiān)督的學(xué)習(xí)以及無(wú)監(jiān)督的學(xué)習(xí)。有監(jiān)督的學(xué)習(xí)方法中,典型代表就是K近鄰(KNearest Neighbor, KNN)算法;半監(jiān)督的學(xué)習(xí)方法中,具有代表性的是支持向量機(jī)(Support Vector Machine, SVM),以及一些相關(guān)的改進(jìn)算法[1-2];而無(wú)監(jiān)督方法主要是以聚類分析方法為主,聚類的方法可以分為基于劃分的方法、基于分層的方法、基于密度的方法和基于網(wǎng)格的方法,其中,基于劃分的聚類算法[3]在模式識(shí)別里是最常用的聚類分析方法,本文主要是針對(duì)此類算法進(jìn)行討論的。

    聚類是指將一組給定的未知類標(biāo)號(hào)的數(shù)據(jù)分類到不同的類,且保證同一個(gè)類內(nèi)的對(duì)象有較大的相似性,而類間的對(duì)象有較大的差異性[4]。聚類算法有很多,典型的算法有基于硬劃分的kmeans算法以及基于軟劃分的模糊C均值(Fuzzy CMeans, FCM)聚類算法[5],此處的軟硬即表示隸屬度的模糊程度區(qū)別,隸屬度越模糊則“軟”的程度越大,隸屬度越精確則越偏向“硬”的程度。FCM算法存在對(duì)噪聲點(diǎn)與野值點(diǎn)敏感和只善于發(fā)現(xiàn)致密的球形結(jié)構(gòu)等缺點(diǎn)。為了克服FCM的缺點(diǎn),在模式識(shí)別的各個(gè)領(lǐng)域內(nèi)出現(xiàn)了很多以FCM為基礎(chǔ)的一些算法,比較突出的有可能性C均值(Possibilistic CMeans, PCM)聚類算法[6]、模糊可能性C均值(Possibilistic Fuzzy CMeans, FPCM)聚類算法[7]、基于核的可能C均值(Kernel Possibilistic CMeans, KPCM)聚類算法[8]等。

    Aizerman等[9]在1964年把核函數(shù)的思想引入到機(jī)器學(xué)習(xí)領(lǐng)域。1995年,基于VC理論,Cortes等[10]提出支持向量機(jī)(SVM)分類算法,SVM在一些問(wèn)題上得到比傳統(tǒng)分類器更好的性能。SVM的成功使得核函數(shù)的應(yīng)用得到重視并應(yīng)用到機(jī)器學(xué)習(xí)的其他領(lǐng)域,如核主成分分析、核Fisher鑒別分析以及基于核的聚類分析等?;诤朔椒ǖ木垲愅ㄟ^(guò)核函數(shù)把原始空間中的點(diǎn)映射到特征空間中,在特征空間直接或間接地進(jìn)行算法設(shè)計(jì)、分析與計(jì)算,從而得到原始空間的聚類劃分。在一定程度上,基于核的聚類方法提高了聚類的效果,但是,不管是傳統(tǒng)聚類或者核聚類,大部分聚類算法都只是考慮類內(nèi)關(guān)系,而忽略了類與類之間的關(guān)系。

    類與類之間的關(guān)系被廣泛應(yīng)用于聚類的有效性指標(biāo)問(wèn)題中,例如:Xie等[11]提出的XB(XieBeni)指標(biāo);Fukuyama[12]提出的有FS(FukuyamaSugeno)指標(biāo);Zahid等[13]提出的SC指標(biāo);Gath等[14]提出的FHV(Fuzzy Hyper Volume)和PD(Partition Density)指標(biāo)等。zdemir等[15]提出的簇間分離(InterCluster Separation, ICS)算法將分離項(xiàng)應(yīng)用到聚類目標(biāo)函數(shù)中。由于類與類之間的協(xié)方陣是表示類中心與類中心之間的距離,而它們的距離取得最大值會(huì)有更好的聚類效果。本文提到的基于核化距離的模糊C均值(Kernel Fuzzy CMeans,KFCM)聚類算法[16],在一定程度上,該算法增強(qiáng)了對(duì)噪聲點(diǎn)或野值點(diǎn)的魯棒性,提高改善了聚類效果;但是KFCM算法始終是以模糊聚類為基礎(chǔ)且忽略了類與類之間的距離信息。

    綜上,本文提出了一種基于改進(jìn)核模糊C均值類間極大化(Maximum betweencluster based on improved Kernel Fuzzy CMeans, MKFCM)聚類算法。該算法由類內(nèi)最小和類間最松散的聚類準(zhǔn)則推導(dǎo)而出,將Wu等[17]提出的算法作進(jìn)一步改進(jìn),使得類中心與類中心之間距離極大化,構(gòu)造出全新的目標(biāo)函數(shù)。實(shí)驗(yàn)結(jié)果表明,MKFCM算法比KFCM算法對(duì)噪聲點(diǎn)或野值點(diǎn)有較好的魯棒性,對(duì)樣本不平衡數(shù)據(jù)集和邊界模糊數(shù)據(jù)集具有更佳的聚類效果。

    1基于核的模糊C均值聚類算法

    2改進(jìn)的基于核化距離的模糊C均值聚類算法

    盡管KFCM算法在一定程度上,相對(duì)FCM算法在噪聲點(diǎn)或野值點(diǎn)的魯棒性上有所提高;但是KFCM仍存在以下兩個(gè)主要缺點(diǎn):1)由于仍然采用基于核空間的歐氏距離,沒(méi)有考慮類與類之間的信息,而實(shí)際情況中,類與類之間的信息在聚類過(guò)程中發(fā)揮巨大的作用。2)由于采用梯度下降法迭代求解,易收斂于局部最優(yōu)值,造成了KFCM對(duì)野值點(diǎn)或噪聲點(diǎn)的魯棒性不高。本文針對(duì)上述問(wèn)題,提出了改進(jìn)的基于核化距離的模糊C均值聚類(MKFCM)算法。該算法在KFCM算法的目標(biāo)函數(shù)上引入了特征空間內(nèi)的類間極大懲罰項(xiàng),并通過(guò)引入調(diào)控因子λ實(shí)現(xiàn)對(duì)特征空間內(nèi)類間劃分的控制,使得聚類中心之間的距離最大化,使特征空間內(nèi)類與類之間的間隔盡可能大。特征空間內(nèi)的類間極大懲罰項(xiàng)的表達(dá)式如下:

    2.1參數(shù)優(yōu)化

    2.2MKFCM的算法描述

    根據(jù)定理1的推導(dǎo),可得MKFCM算法的具體執(zhí)行步驟如下:

    步驟1設(shè)定核函數(shù)參數(shù)σ、聚類個(gè)數(shù)c和模糊指數(shù)m及收斂精度ε;初始化調(diào)控因子λ=1/n;最大迭代次數(shù)tmax;令迭代次數(shù)k=0。

    步驟2用FCM算法初始化中心矩陣V(0)。

    步驟3用式(12)計(jì)算U(k+1)。

    步驟4用式(13)計(jì)算V(k+1)。

    步驟5如果‖U(k)-U(k-1)‖≤ε,停止迭代;否則,k=k+1,轉(zhuǎn)到步驟2。

    當(dāng)滿足終止條件時(shí),隸屬度矩陣U和聚類中心矩陣V為算法的最優(yōu)解。

    3實(shí)驗(yàn)

    實(shí)驗(yàn)是基于Matlab R2012a的編程環(huán)境中進(jìn)行的。為了驗(yàn)證本文提出的算法的有效性,本文擬通過(guò)與FCM[5]、PCM[6]、FPCM[7]、KPCM[8]、KFCM[16]在模擬數(shù)據(jù)集和UCI真實(shí)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn),對(duì)本文所提出的算法進(jìn)行評(píng)估和性能驗(yàn)證。

    3.1評(píng)價(jià)指標(biāo)

    本文將選用以下三個(gè)指標(biāo),對(duì)聚類的結(jié)果進(jìn)行評(píng)價(jià),通過(guò)3個(gè)指標(biāo)可以直觀的評(píng)價(jià)本文算法的性能。

    1)精度(ACCuracy, ACC)評(píng)價(jià)指標(biāo)[19]。

    ACC=[∑Ni=1δ(yi,map(ci))]/N(19)

    其中:N表示數(shù)據(jù)點(diǎn)個(gè)數(shù);yi表示真實(shí)的類標(biāo)簽,ci表示聚類過(guò)后的類標(biāo)簽;如果y=c,那么δ(y,c)=1,否則δ(y,c)=0a2+b2此處是否書(shū)寫有誤,是0乘以平方根嗎?不就等于0嗎?若有誤,請(qǐng)作相應(yīng)調(diào)整。;map(·)表示每個(gè)聚類過(guò)后的類標(biāo)簽到真實(shí)的類標(biāo)簽的一個(gè)置換函數(shù),并且可以通過(guò)匈牙利算法獲得最佳匹配。

    2)歸一化互信息(Normalized Mutual Information, NMI)評(píng)價(jià)指標(biāo)[20]。

    NMI=∑ci=1∑cj=1Nij lgN×NijNi×Nj(∑ci=1Ni lg Ni/N)×(∑cj=1Nj lg Nj/N)(20)

    其中:Nij表示第i個(gè)聚類與類j之間的契合度;N表示樣容量的大??;Nij表示第i個(gè)聚類的樣本數(shù)目;Nj表示第j個(gè)聚類的樣本數(shù)目。

    3)芮氏(Rand Index, RI)評(píng)價(jià)指標(biāo)[20]。

    RI=f00+f11N(N-1)/2(21)

    其中: f00表示數(shù)據(jù)點(diǎn)具有不同的類標(biāo)簽,且屬于不同類的數(shù)據(jù)點(diǎn)數(shù)目; f11表示具有相同的類標(biāo)簽,且屬于同一類別的數(shù)

    據(jù)點(diǎn)數(shù)目;N表示樣本的容量大小。

    以上的3種評(píng)價(jià)指標(biāo)的取值范圍均為[0,1],且數(shù)值越大,顯示出算法的性能越優(yōu)越。

    3.2模擬數(shù)據(jù)實(shí)驗(yàn)

    在模擬實(shí)驗(yàn)部分采用Diamond數(shù)據(jù)集[21]、Square數(shù)據(jù)集[22]、Bensaid數(shù)據(jù)集[23],這3個(gè)數(shù)據(jù)集都是基于原始數(shù)據(jù)中存在噪聲點(diǎn)或野值點(diǎn)的數(shù)據(jù)集,可以很好地驗(yàn)證MKFCM對(duì)噪聲點(diǎn)和野值點(diǎn)的魯棒性;采用人造高斯數(shù)據(jù)集,這個(gè)數(shù)據(jù)集中3個(gè)類邊界非常模糊,對(duì)聚類過(guò)程的影響非常大,可以用來(lái)檢測(cè)MKFCM對(duì)邊界模糊數(shù)據(jù)集的聚類效果。

    3.2.1Diamond數(shù)據(jù)集實(shí)驗(yàn)

    Diamond數(shù)據(jù)集包含了12個(gè)樣本點(diǎn),其中10個(gè)點(diǎn)是關(guān)于Y軸對(duì)稱的兩個(gè)類,兩類的準(zhǔn)確中心分別為C1(-3.34,0)與C2(3.34,0),中間位置的兩個(gè)樣本點(diǎn)分別是噪聲點(diǎn)和野值點(diǎn),且它們到中心的距離相等。相關(guān)的實(shí)驗(yàn)結(jié)果如圖1所示,較小的“+”表示第一類數(shù)據(jù)集,“△”表示第一類數(shù)據(jù)集的聚類中心;“o”表示第二類數(shù)據(jù)集,“·”表示第二類數(shù)據(jù)集的聚類中心。相關(guān)的中心偏移距離如表1所示。

    3.2.2Square數(shù)據(jù)集實(shí)驗(yàn)

    Square數(shù)據(jù)集則包括一個(gè)小正方形數(shù)據(jù)集、一個(gè)大正方形數(shù)據(jù)行和部分噪聲點(diǎn),兩個(gè)類的中心分別為C1(5.25,0.25)和C2(17,0),實(shí)驗(yàn)結(jié)果圖2所示,“o”表示第一類數(shù)據(jù)集,“·”表示第一類數(shù)據(jù)集的聚類中心;“+”表示第二類數(shù)據(jù)集,“*”表示第二類數(shù)據(jù)集的聚類中心。實(shí)驗(yàn)結(jié)果數(shù)據(jù)如表2所示。

    3.2.3Bensaid數(shù)據(jù)集實(shí)驗(yàn)

    Bensaid數(shù)據(jù)集包括兩個(gè)小的類和一個(gè)大的類以及各類之間的噪聲點(diǎn)構(gòu)成的,其3個(gè)準(zhǔn)確的類中心為C1(3.2904,48.7730)、C2(55.3239,52.0772)和C3(112.1437,49.1043),實(shí)驗(yàn)結(jié)果如圖3所示和,“o”表示第一類數(shù)據(jù)集,“·”表示第一類數(shù)據(jù)集的聚類中心;“+”表示第二類數(shù)據(jù)集,“☆”表示第二類數(shù)據(jù)集的聚類中心;“*”表示第三類數(shù)據(jù)集,“△”表示第三類數(shù)據(jù)集的聚類中心。實(shí)驗(yàn)結(jié)果如表3所示。

    通過(guò)圖1~3以及圖表1~3的實(shí)驗(yàn)結(jié)果可以看出MKFCM相比其他算法聚類中心偏離的最小,聚類效果更佳,對(duì)噪聲點(diǎn)和野值點(diǎn)具有較好的魯棒性。

    通過(guò)上述3組數(shù)據(jù)集的實(shí)驗(yàn)可以看出:傳統(tǒng)的FCM、KFCM對(duì)存在噪聲點(diǎn)或野值點(diǎn)的數(shù)據(jù)集進(jìn)行聚類分析時(shí),易受噪聲點(diǎn)或野值點(diǎn)的影響,因此聚類中心會(huì)發(fā)生較大的偏移。PCM、KPCM雖通過(guò)解除了隸屬度和為1的約束,對(duì)噪聲點(diǎn)或野值點(diǎn)具有較好的魯棒性;但是它們?cè)趯?duì)邊界模糊的數(shù)據(jù)集進(jìn)行聚類時(shí),會(huì)出現(xiàn)聚類中心重合的現(xiàn)象;本文算法通過(guò)類間極大懲罰項(xiàng)本文算法通過(guò)添加類間極大懲罰項(xiàng)此句完整嗎?感覺(jué)未完或者描述有些問(wèn)題?請(qǐng)作相應(yīng)調(diào)整。,同時(shí)考慮了類內(nèi)元素的緊密性和類間元素的相異性,對(duì)噪聲點(diǎn)和野值點(diǎn)有很好的魯棒性;同時(shí)對(duì)邊界模糊的數(shù)據(jù)集可以通過(guò)拉大類中心間距離,使得邊界處的數(shù)據(jù)集得到最佳分類。

    3.2.4人造高斯數(shù)據(jù)集實(shí)驗(yàn)

    人造高斯數(shù)據(jù)集由三類組成的,類之間邊界模糊,實(shí)驗(yàn)結(jié)果如圖4所示?!皁”表示第一類數(shù)據(jù)集,“·”表示第一類數(shù)據(jù)集的聚類中心;“+”表示第二類數(shù)據(jù)集,“☆”表示第二類數(shù)據(jù)集的聚類中心;“*”表示第三類數(shù)據(jù)集,“△”表示第三類數(shù)據(jù)集的聚類中心。

    從圖4以及表4可以看出:FCM、PCM、FPCM、KPCM和KFCM由于邊界處的數(shù)據(jù)較模糊,因此容易造成誤分的問(wèn)題;而MKFCM則通過(guò)拉大類中心間的距離,同時(shí)考慮了類內(nèi)與類間的關(guān)系,使得邊界處的模糊數(shù)據(jù)得到了較好的劃分,因此分類性能較其他4種算法有了一定的提高。

    3.3UCI真實(shí)數(shù)據(jù)集實(shí)驗(yàn)

    為了更好地證明本文算法的聚類優(yōu)越性以及魯棒性,與相關(guān)的傳統(tǒng)算法進(jìn)行比較,本文采用4個(gè)經(jīng)典的UCI真實(shí)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。表5為本文采用的UCI數(shù)據(jù)集詳細(xì)描述。

    通過(guò)表6可以看出,MKFCM在公認(rèn)的高維數(shù)據(jù)集中的聚類性能較之其余4種算法也有了明顯的提升。

    通過(guò)表2~4以及表6中MKFCM與傳統(tǒng)的聚類算法在ACC、NMI、RI三種性能指標(biāo)上的比較,可以得到一個(gè)結(jié)論:即本文算法能夠很好地通過(guò)調(diào)節(jié)中心之間的距離來(lái)提高聚類效果,并且特別是對(duì)帶有噪聲和邊界模糊的數(shù)據(jù)集有很好的魯棒性。MKFCM算法,既繼承了傳統(tǒng)算法的可以很好地劃分非線性可分?jǐn)?shù)據(jù)的優(yōu)點(diǎn),又降低了對(duì)噪聲點(diǎn)的敏感程度,還能較好地對(duì)邊界模糊數(shù)據(jù)集進(jìn)行聚類。通過(guò)幾組實(shí)驗(yàn),很好地證明了類間極大化的KFCM算法,相比其他幾種聚類算法,在ACC、NMI、RI三種性能指標(biāo)上有著明顯的精度提升;但是本文提出的算法也有一些不足,即對(duì)聚類中心初始化以及參數(shù)選擇問(wèn)題仍有待改進(jìn)。

    4結(jié)語(yǔ)

    KFCM是FCM在高維特征空間中的推廣,本文從特征空間中類與類之間的距離關(guān)系進(jìn)行改進(jìn),引入了類間極大懲罰項(xiàng),并引入懲罰因子實(shí)現(xiàn)對(duì)類間劃分的控制,提出了一種基于改進(jìn)型核模糊C均值類間極大化(MKFCM)聚類算法。該算法優(yōu)于現(xiàn)有的FCM、PCM、FPCM、KFCM等算法,聚類的準(zhǔn)確性和穩(wěn)定性有明顯提高,對(duì)噪聲點(diǎn)的魯棒性較佳,對(duì)樣本不平衡數(shù)據(jù)集和邊界模糊數(shù)據(jù)集的聚類效果較好;但是該算法引入了新的參數(shù)且對(duì)參數(shù)的確定沒(méi)有較好的辦法,所以接下來(lái)的方向主要是研究如何確定參數(shù)使得聚類的效果最好。

    參考文獻(xiàn):

    [1]

    CAI F, CHERKASSKY V. Generalized SMO algorithm for SVMbased multitask learning [J]. IEEE Transactions on Neural Networks and Learning Systems, 2012, 23(6): 997-1003.

    [2]

    LIN K P, MING S C. On the design and analysis of the privacypreserving SVM classifier [J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(11): 1704-1717.

    [3]

    HALL L O, GOLDGOF D B. Convergence of the singlepass and online fuzzy Cmeans algorithms [J]. IEEE Transactions on Fuzzy Systems, 2011, 19(4): 792-794.

    [4]

    CAMERON A C, MILLER D L. A practitioners guide to clusterrobust inference [J]. Journal of Human Resources, 2015, 50(2): 317-372.

    [5]

    GONG M, LIANG Y, SHI J, et al. Fuzzy Cmeans clustering with local information and kernel metric for image segmentation [J]. IEEE Transactions on Image Processing, 2013, 22(2): 573-584.

    [6]

    ZANG J, LI C. Possibilistic Cmeans algorithm based on collaborative optimization [C]// Proceedings of the 2014 International Conference on Computer Science and Information Technology. Berlin: Springer, 2014: 587-593.

    [7]

    RUBIO E, CASTILLO O. A new proposal for a granular fuzzy Cmeans algorithm [M]// Design of Intelligent Systems based on Fuzzy Logic, Neural Networks and NatureInspired Optimization. Berlin: Springer, 2015: 47-57.

    [8]

    RAZA M A, RHEE F C H. Interval type2 approach to kernel possibilistic Cmeans clustering [C]// Proceedings of the 2012 IEEE International Conference on Fuzzy Systems. Piscataway, NJ: IEEE, 2012: 1-7.

    [9]

    AIZERMAN A, BRAVERMAN E M, ROZONER L I. Theoretical foundations of the potential function method in pattern recognition learning [J]. Automation and Remote Control, 1964, 25(5): 821-837.

    [10]

    CORTES C, VAPNIK V. Supportvector networks [J]. Machine Learning, 1995, 20(3): 273-297.

    [11]

    XIE X L, BENI G. A validity measure for fuzzy clustering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 13(8): 841-847.

    [12]

    FUKUYAMA F. What is governance? [J]. Governance, 2013, 26(3): 347-368.

    [13]

    ZAHID N, LIMOURI M, ESSAID A. A new clustervalidity for fuzzy clustering [J]. Pattern Recognition, 1999, 32(7): 1089-1097.

    [14]

    GATH I, GEVA A B. Unsupervised optimal fuzzy clustering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 773-780.

    [15]

    ZDEMIR D, AKARUN L. Fuzzy algorithms for combined quantization and dithering [J]. IEEE Transactions on Image Processing, 2001, 10(6): 923-931.

    [16]

    FERREIRA M R P, CARVALHO F D A T D. Kernel fuzzy Cmeans with automatic variable weighting [J]. Fuzzy Sets and Systems, 2014, 237(4): 1-46.

    [17]

    WU K L, YU J, YANG M S. A novel fuzzy clustering algorithm based on a fuzzy scatter matrix with optimality tests [J]. Pattern Recognition Letters, 2005, 26(5): 639-652.

    [18]

    WU K L, YANG M S. Alternative Cmeans clustering algorithms [J]. Pattern Recognition, 2002, 35(10): 2267-2278.

    [19]

    HUANG Z, NG M K. A fuzzy kmodes algorithm for clustering categorical data [J]. IEEE Transactions on Fuzzy Systems, 1999, 7(4): 446-452.

    [20]

    LIU J, MOHAMMED J, CARTER J, et al. Distancebased clustering of CGH data [J]. Bioinformatics, 2006, 22(16): 1971-1978.

    [21]

    PAL N R, PAL K, KELLER J M, et al. A possibilistic fuzzy Cmeans clustering algorithm [J]. IEEE Transactions on Fuzzy Systems, 2005, 13(4): 517-530.

    [22]

    ZADEH L A. Fuzzy sets [J]. Information and Control, 1965, 8(3): 338-353.

    [23]

    BENSAID A M, HALL L O, BEZDEK J C, et al. Validityguided (re)clustering with applications to image segmentation [J]. IEEE Transactions on Fuzzy Systems, 1996, 4(2): 112-123.

    猜你喜歡
    類間魯棒性均值
    基于OTSU改進(jìn)的布匹檢測(cè)算法研究
    基于貝葉斯估計(jì)的多類間方差目標(biāo)提取*
    荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡(luò)增邊優(yōu)化魯棒性分析
    基于確定性指標(biāo)的弦支結(jié)構(gòu)魯棒性評(píng)價(jià)
    基于類間相對(duì)均勻性的紙張表面缺陷檢測(cè)
    基于改進(jìn)最大類間方差法的手勢(shì)分割方法研究
    基于非支配解集的多模式裝備項(xiàng)目群調(diào)度魯棒性優(yōu)化
    均值不等式失效時(shí)的解決方法
    西南交通大學(xué)學(xué)報(bào)(2016年6期)2016-05-04 04:13:11
    均值與方差在生活中的應(yīng)用
    河池市| 延庆县| 从江县| 通海县| 朝阳县| 油尖旺区| 古丈县| 昌平区| 玉山县| 阳江市| 息烽县| 福州市| 喀什市| 桐梓县| 博爱县| 拜城县| 疏勒县| 韶山市| 五常市| 佛冈县| 宁津县| 师宗县| 铜川市| 陈巴尔虎旗| 东丽区| 藁城市| 嘉荫县| 南岸区| 托克逊县| 洪泽县| 淮安市| 洪雅县| 五寨县| 广德县| 临沭县| 陈巴尔虎旗| 罗江县| 板桥市| 南岸区| 临猗县| 于田县|