基于并行遗传算法的K-means聚类研究

针对传统K-means聚类算法对初始聚类中心的选择敏感,以及聚类数K难以确定的问题,提出一种基于并行遗传算法的K-means聚类方法.该方法采用一种新型的可变长染色体编码方案,随机选择样本点作为初始聚类中心形成染色体,然后结合K-means算法的高效性和并行遗传算法的全局优化能力,通过种群内的遗传、变异和种群间的并行进化、联姻,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该方法是一种精确高效的聚类方法.     

一种新的基于图论聚类的分割算法

针对传统图论聚类法在分割图像时对噪声和模糊边界敏感,产生伪割集以及计算复杂度大的问题,对传统算法进行了相应的改进,即首先将每个像素作为一类改为将图像中灰度相同的像素作为一类;其次在计算权值时改进权函数定义,将节点与区域间的空间近邻关系约束进权函数表达式,而非传统算法中仅考虑节点与节点间的灰度和位置关系.对比实验表明,该算法只需要设计少量的参数即可自动完成聚类,所需的存储空间以及实现的复杂度相比于传统图论聚类法都得到极大改善.     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

改进的聚类算法在医学图像分割中的应用

针对医学图像的特点,设计了一种聚类分析的图像分割算法,并且将遗传算法引入聚类,利用遗传算法的并行性和随机搜索性,从DBSCAN算法出发,针对其局限性提出了一种基于取样的DBSCAN算法及其遗传优化,从而达到较好的分割效果。     

基于贝叶斯理论的图像标注和检索

图像自动语义标注是基于内容图像检索中很重要且很有挑战性的工作.提出用语义约束的聚类方法对分割后的图像区域进行聚类,在图像标注阶段,使用贪心选择连接(GSJ)算法找出聚类区域的独立子集,然后使用贝叶斯理论进行语义标注.对图像进行标注以后,使用标注的关键字进行检索.在一个包含500幅图像的图像库进行实验,结果表明,提出的方法具有较好的检索性能.     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

基于混沌免疫进化算法的聚类算法分析

结合免疫进化算法和混沌优化算法各自在数据空间搜索的优势,本文提出了一种新的基于混沌免疫进化算法的模糊c_均值聚类算法.该算法实现了从全局到局部的两层领域搜索机制,且仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

基于核的自适应聚类及其在入侵检测中的应用

针对k-medoid算法不能有效聚类大数据集和高维数据的弱点,将核学习方法引入到k-medoid算法,提出了基于核的自适应k-medoid算法,使其能够对大数据集和高维数据进行聚类.用KDD 99标准数据集进行实验研究,结果表明该算法性能是优良的,并且能获得令人满意的检测效果.     

可重叠矩形多值图像表示及其上的几何矩生成

为了支持快速的多值图像运算,提出了一种无损多值图像表示方法,称为可重叠矩形多值图像表示(Over-lapping Rectangle Multi-valued Image Relpresentation,ORMIR).CIRM采用递归方式将一幅多值图像分割为具有不同基础颜色的可重叠矩形,并使用孩子兄弟树来组织这些矩形,通过弱化二值图像块表示中同一矩形所覆盖的所有像素必须具有相同颜色的约束,ORMIR能够使用较少的矩形无损地表示一幅多值图像,因而基于ORMIR的多值图像运算能够被快速实现.基于ORMIR,提出了一个多值图像几何矩生成算法,该算法首先生成多个仅包含一个矩形区域的二值图像的几何矩,然后将这些几何矩加权求和得到原始多值图像的几何矩.试验结果表明,基于ORMIR的几何矩生成算法能够以每秒50帧以上的速度计算8比特位深的512×512的灰度图像直到3 3阶的几何矩,从而满足实时应用的需要.