新型聚類算法在圖象處理等方面研究與應用.pdf

1、模式識別技術是人工智能的重要研究內容?；诟鞣N技術，幾十年來各種不同的模式識別方法得到了廣泛的研究與應用。在當今飛速發(fā)展的數據挖掘和探查性數據分析中，聚類分析技術已廣泛應用于模式識別、圖像處理、生物、心理、計算機視覺和遙感等領域.在實際問題中，已有的各種聚類算法各有其優(yōu)勢，如何提高聚類算法的抗噪聲能力和魯棒性能，以及如何針對不同的數據集尋找最優(yōu)的聚類方法，并給出合理的解釋，成為眾多學者正致力于研究并解決的問題。 本文針對目前聚類

2、算法及其應用中的一些熱點問題展開了研究與探討工作，主要的工作分為以下三部分： 第二章提出了一般化的改進模糊劃分的FCM聚類算法GIFP-FCM(Generalized Fuzzy C-Means Clusteringwith Improved Fuzzy Partitions)，通過引入新的隸屬度約束，解決了IFP-FCM(Improved FuzzyPartitions for FCM algorithm)算法模糊指數m的一般

3、化問題；同時GIFP-FCM算法從Voronoi距離和競爭學習的角度對其魯棒性和快速收斂性進行了合理解釋：其次，通過引入模糊程度系數α，使得FCM算法和IFP-FCM算法分別表示為GIFP-FCM算法在α等于O和α趨于1時的特例。實驗結果表明GIFP-FCM算法較之于IFP-FCM和FCM算法具有更好的魯棒性和參數適應性；在紋理圖像分割中，GIFP-FCM也明顯優(yōu)于IFp-FCM和FCM算法。 第三章根據文本數據具有方向性數據的

4、特征，可利用方向數據的知識完成對文本數據聚類，提出了模糊方向相似性聚類算法FDSC(Fuzzy Directional Similarity Clustering)，繼而從競爭學習角度，通過引入隸屬度約束函數，并根據拉格朗日優(yōu)化理論推導出魯棒的模糊方向相似性聚類算法RFDSC(Robust Fuzzy Directional Similarity Clustering)。實驗結果表明RFDSC算法能夠快速有效的應用于數據挖掘及文本聚類中