基于動態(tài)小生境的人工魚群聚類算法及其在目標分割中的應用.pdf

1、聚類分析一直以來都是一個非常重要的研究領域，并被廣泛應用在信號處理，圖像處理，數(shù)據(jù)挖掘，模式識別等領域。所謂聚類就是將給定的樣本集根據(jù)我們實際問題中的需要設計一定的規(guī)則來分成一定數(shù)目的類別，使具有相似特征的樣本之間的距離盡量小，不相似的樣本之間的距離盡量大，也就是所謂的類內(nèi)相似，類間相異性。目前傳統(tǒng)的聚類算法例如Kmeans算法，F(xiàn)CM算法，以及meanshift算法雖然在聚類效果和運算效率上都已經(jīng)達到很好的性能，但是統(tǒng)一存在的一個問題

2、就是需要預先設定類別中心的個數(shù)。本文主要對基于人工魚群的智能聚類算法展開研究，目標是實現(xiàn)對聚類問題類別中心和類別數(shù)的自動估計，取得的創(chuàng)新性研究成果包括:
　　(1)提出了一種基于動態(tài)小生境的人工魚群聚類算法，該算法通過對魚群的不斷進化，可以同時獲得聚類問題的類別數(shù)和類別中心。該算法采用一種更為簡便的個體描述方式，即每個個體代表一個區(qū)域中心，通過動態(tài)的對魚群劃分為幾個小生境而獲得類別數(shù)。通過實驗仿真可見，所提聚類算法的有效性。并將該

3、算法應用于圖像分割問題，可以有效的實現(xiàn)對圖像的自動分割。
　　(2)對算法中魚群的行為模式進行了改進，通過引入人工魚記憶功能改變了傳統(tǒng)人工魚群算法中人工魚只有一個指導方向的傳統(tǒng)行為方式，使得人工魚在自身記憶中的最好方向及行為選擇方向兩個方向的指導下進行游動。減少了人工魚在游動過程中局部震蕩的現(xiàn)象，加快了算法的收斂速度，從而增加了算法的魯棒性和穩(wěn)定性。
　　(3)最后本文基于以上提出的聚類算法通過使用分割后的圖像結(jié)合空間加權(quán)的