細菌聚類算法及其在圖像分割問題中的研究與應用.pdf

1、近年來,數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注。數(shù)據(jù)挖掘的目的就是從其應用領(lǐng)域中提取出大量的數(shù)據(jù),通過數(shù)據(jù)挖掘技術(shù)將這些數(shù)據(jù)轉(zhuǎn)換成對本領(lǐng)域有顯著作用和深遠意義的信息和知識。在數(shù)據(jù)挖掘技術(shù)中,聚類分析是一種比較廣泛的分析方法。
　　 模糊C-均值(FCM)聚類算法是非監(jiān)督模式識別中應用最為廣泛的算法之一。模糊C均值算法有其天然的優(yōu)點:算法結(jié)構(gòu)簡單,原理簡捷明了,計算量小,收斂速度快等。然而,FCM算法有其本身的不足:模糊C均值算法本身

2、并不具有智能性,只是單純的疊加計算,因此對算法的初始化要求很嚴格。在算法進行前要明確聚類數(shù)目以及由于初始聚類中心的選擇不當,使結(jié)果極易陷入局部最小值等。
　　 本文就細菌覓食優(yōu)化算法進行深入細致研究,通過十個測試函數(shù)驗證了細菌覓食優(yōu)化算法的優(yōu)化能力,并對細菌算法進行了自適應步長的改變。之后,將其與模糊聚類算法結(jié)合,用細菌覓食優(yōu)化算法優(yōu)化FCM算法的聚類準則函數(shù),提出了一種基于模糊C均值算法和細菌覓食優(yōu)化算法的混合聚類算法(BF-

3、FCM)。該算法結(jié)合了細菌覓食優(yōu)化算法的全局搜索能力和FCM算法快速局部搜索的特點,利用細菌算法中單個細菌的獨立搜索能力與多個細菌全局搜索能力,有效地克服了FCM對初始值敏感、易陷入局部最優(yōu)等問題,同時增強了跳出局部最優(yōu)的能力。實驗表明,新算法得到的目標函數(shù)值更小,聚類效果評價指數(shù)更好,聚類效果明顯優(yōu)于傳統(tǒng)的FCM算法。
　　 本文的另外一個重點,是將提出的混合聚類算法應用于圖像分割中。圖像分割是從輸入圖像中提取目標或感興趣區(qū)域