模糊聚類算法在模式分類中的應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、模式分類是機(jī)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(shí)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(shí)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(jìn)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(shí)以及常用模糊聚類算法。通過對(duì)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?yàn)橄M軐⒎蔷€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(diǎn)。
   模糊C均值一個(gè)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(diǎn)貢獻(xiàn)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(shí)了初始聚類中心選取對(duì)聚類結(jié)果的影響,因此利用灰度直方圖信息改進(jìn)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(jìn)算法與傳統(tǒng)FCM的分割效果

3、,證實(shí)了改進(jìn)算法不但大大減少了每次迭代的計(jì)算量,并且增強(qiáng)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(diǎn),本文選擇了更接近人眼識(shí)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(gè)分量。利用基于加權(quán)的改進(jìn)的FCM算法對(duì)分量圖像的聚類結(jié)果獲得一個(gè)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(gè)很重要的應(yīng)用是作為機(jī)器視覺的基礎(chǔ),所以本文介紹了一般機(jī)器視覺系

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論