基于中智逻辑的聚类分析

发布时间：2021-06-22 08:41

　　在模式识别领域中,聚类分析作为一种重要的手段除了应用于聚类问题本身,还常常应用于数据分析、特征提取、分类。然而在聚类分析问题中,由于在实际的场景下经常会遇到数据质量差含噪声和异常点较多、数据可分性差不适应于算法的先验假设等情况,传统的聚类方法如Kmeans,GMM聚类效果会受到干扰。基于模糊理论的聚类算法将模糊集合理论应用于聚类算法,也称为软聚类算法,用于表达数据点不单单只属于一个类别的概念。模糊聚类算法的理论使得人们开始使用模糊集合表达聚类问题中的不确定性,但是聚类算法本身的遇到的实际问题并没有得到解决。近年来部分学者希望将中智学集合引入聚类分析问题,希望解决其中的异常点以及聚类边界的问题。针对这些问题,本文将中智学集合引入了聚类算法中,主要进行了以下方面的工作:（1）本文设计了基于中智学集合的聚类算法框架,通过中智学集合的思想,结合聚类算法的代价函数,对实际数据集中的噪声和异常点样本、边界模糊样本进行针对性地处理。通过该思想本文提出了改造于GMM模型的NGMM算法,除此之外,本文提出了在GMM模型下中智域I域以及F域的设计,分析了中智域在实际场景中可能出现的问题如归一化的问题、超参... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

模糊数据分布图

kmeans算法中各样本点隶属度取值

的图变成了一个较为光滑的曲线。图 2-3 FCM 算法中各样本点隶属度取值图 2-3 给出了在 FCM 下，各个样本点对于 A 类的隶属度取值，红点在 kmeans 算法中属于 B 类，在 FCM 算法中红点仍然对 A 类有 0.2 的隶属度。2.2.3 基于模糊理论的 GMM 算法近年来有人将模糊理论应用于其他的聚类算法，如模糊高斯混合模型(Fuzzy Guassian Mixture Models, FGMMs)，参考于 FCMs 算法的思想结合 GMM本身的特性于 2011 年被提出。GMM 是经典的基于概率分布模型的算法，但GMM 本身可以看做一种软聚类算法，在算法迭代过程中会不断计算样本点对于每个类的后验概率

【参考文献】：
期刊论文
[1]基于中智模糊聚类的彩色图像鲁棒分割算法[J]. 吴成茂,上官若愚.  西安邮电大学学报. 2017(01)
[2]核空间中智模糊聚类及图像分割应用[J]. 崔西希,吴成茂.  中国图象图形学报. 2016(10)



本文编号：3242527