【摘要】 目前,对于聚类问题的研究普遍存在于社会生活中的各个领域,如模式识别、图像处理、机器学习和统计学等。关于对生活中各种各样的数据的聚类分类问题已经成为众多学者的研究热题之一。聚类和分类的区别在于
随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特
对数值型数据分别进行K均值和模糊C均值聚类,并对两种聚类算法的聚类正确率进行比较,得出结论;
一种基于相关系数的模糊C-均值聚类算法,该算法综合利用相关系数和C-均值聚类算法,实现对数据集的有效聚类,提高聚类效果和准确性。文章详细解释了该算法的思路和实现方法,并通过对实例数据集的测试,证明了该
针对模糊C-均值聚类法用于图像聚类时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分类现象,提出一种新的基于空间邻域加权的模糊C-均值图像聚类法。首先,定义了一个空间邻域信息函
论文研究-基于粒子群的K均值聚类算法.pdf,
针对K均值聚类算法存在的缺点,提出了一种新的聚类算法———基于粒子群的K
针对模糊C均值聚类(FCM)算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇(非凸)采用加权FCM算法分割成多个小类(冗
C均值动态聚类算法是一种普遍采用的方法,在实际中具有很高的应用价值!
基于颜色量化和模糊C-均值聚类的彩色图像分割,李晓鹏,黄朝兵,提出了一种基于颜色量化和模糊C-均值聚类的的彩色图像分割方法。将颜色从RGB空间转化为HSV空间,在HSV空间的基础上将颜色量化,在量�
模糊C均值聚类声纳图像分割:通过模糊C均值聚类的声纳图像分割实现