基于加权改进模糊C均值聚类的欠定混合矩阵估计

发布时间：2021-11-02 12:38

　　语音欠定混合矩阵估计问题中,针对模糊C均值聚类（FCM）算法对初始聚类中心敏感、易受噪声点干扰、鲁棒性差的缺陷,提出一种基于加权的进化规划与FCM相结合的改进算法（WE-FCM）。首先,利用进化规划（EP）算法强大的搜索能力优化FCM得到基于进化规划的FCM算法（EP-FCM）,以获得较佳的初始聚类中心;然后,利用局部离群点检测（LOF）算法对EP-FCM加权以降低噪声点的影响。通过仿真实验得出,所提算法在源信号数为3路和4路时归一化均方误差值与偏离角度值均远小于经典的K均值聚类（K-means）算法、K-Hough、基于遗传算法的FCM算法（GAFCM）和基于密度峰值的FCM算法（FDP-FCM）。实验结果表明,所提算法明显提高了FCM算法的鲁棒性和混合矩阵的估计精度。 

【文章来源】：计算机应用. 2020,40(06)北大核心CSCD

【文章页数】：5 页

【文章目录】：
0 引言
1 欠定盲源分离问题描述
2 本文方法
    2.1 模糊C均值聚类算法
    2.2 进化规划算法
    2.3 基于EP-FCM的聚类算法
    2.4 局部离群点检测算法
    2.5 WE-FCM优化算法
3 仿真实验与结果分析
    3.1 混合矩阵评价准则
    3.2 结果分析
4 结语


【参考文献】：
期刊论文
[1]Advanced Fuzzy C-Means Algorithm Based on Local Density and Distance[J]. 吴绍春,庞毅杰,邵森,江科元.  Journal of Shanghai Jiaotong University（Science）. 2018(05)
[2]基于GASA-FCM混合聚类与霍夫变换的欠定混合矩阵估计[J]. 李虎,徐岩.  计算机应用研究. 2019(02)
[3]基于局部密度的快速离群点检测算法[J]. 邹云峰,张昕,宋世渊,倪巍伟.  计算机应用. 2017(10)
[4]基于密度峰值优化的模糊C均值聚类算法[J]. 刘沧生,许青林.  计算机工程与应用. 2018(14)
[5]Underdetermined Blind Source Separation of Adjacent Satellite Interference Based on Sparseness[J]. Chengjie Li,Lidong Zhu,Zhongqiang Luo.  中国通信. 2017(04)
[6]几种优化FCM算法聚类中心的方法对比及仿真[J]. 朱然,李积英.  计算机技术与发展. 2015(05)
[7]基于进化规划算法的图像聚类研究[J]. 王兆珍,刘旭鹏,杨淑莹.  天津师范大学学报(自然科学版). 2013(04)
[8]稳健的欠定混合矩阵盲辨识[J]. 董天宝,杨景曙.  宇航学报. 2013(03)
[9]基于混合聚类和网格密度的欠定盲矩阵估计[J]. 毕晓君,宫汝江.  系统工程与电子技术. 2012(03)
[10]基于遗传算法的模糊聚类分析[J]. 宫尚宝,郭玉翠.  模糊系统与数学. 2010(06)



本文编号：3472001