An-insensitive fuzzy c-means clustering

俗话说：“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。

聚类（Cluster）分析是由若干模式（Pattern）组成的。

通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。

聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

所以，聚类分析依赖于对观测间的接近程度（距离）或相似程度的理解，定义不同的距离量度和相似性量度就可以产生不同的聚类结果。

所谓类，通俗地说，就是指相似元素的集合。

聚类就是按照事物间的相似性进行区分和分类的过程。

聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。

聚类分析起源于分类学，聚类分析也可以作为其他分析算法的一个预处理步骤。

Clustering 中文翻译作“聚类”，简单地说就是把相似的东西分到一组，同Classification (分类)不同，理想情况下，一个classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，称作 unsupervised learning (无监督学习)。

无监督分类最常用的方法之一是K均值或ISODATA、模糊C均值和EM （Expectation-Maximization）。

K-MEANS有其缺点：产生类的大小相差不会很大，对于脏数据很敏感。

不得不承认这并不是很好的结果。

不过其实大多数情况下 k-means 给出的结果都还是很令人满意的，算是一种简单高效应用广泛的 clustering 方法。

选定 K 个中心的这个过程通常是针对具体的问题有一些启发式的选取方法，或者大多数情况下采用随机选取的办法。

数据挖掘中Fuzzy c-means的自适应聚类算法
刘小览;赵英凯;陆金桂
【期刊名称】《南京工业大学学报（自然科学版）》
【年(卷),期】2001(023)005
【摘要】聚类算法是数据挖掘算法中的重要解决方法.针对现有聚类算法模糊c均值算法FCM中的不足,如需要预先确定聚类参数c,随机性较强、局部最优等弱点,对其算法结构加以改进,提出模糊c均值自适应算法(FCMA),增加聚类有效性问题的分析,在聚类过程中可动态调整聚类数目,这种方法可以避免在确定参数时的随机性和经验性,提高聚类算法的可靠程度.
【总页数】4页(P17-20)
【作者】刘小览;赵英凯;陆金桂
【作者单位】南京化工大学信息科学与工程学院;南京化工大学信息科学与工程学院;南京化工大学信息科学与工程学院
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于模糊c-means与自适应粒子群优化的模糊聚类算法 [J], 耿宗科;王长宾;张振国
2.一种改进的Fuzzy c-means聚类算法 [J],
3.基于空间加权距离的自适应Fuzzy C-Means算法研究 [J], 王海起;朱锦;王劲峰
4.一种改进的 Fuzzy c-means 聚类算法 [J], 胡钟山;丁震;杨静宇;唐振民;邬永革
5.基于改进的Fuzzy C-means聚类算法的纹理分割 [J], 宋相法;李声威;陈国强;葛泉波;陈志国
因版权原因，仅展示原文概要，查看原文内容请购买。

模糊C均值(Fuzzy C-Means)聚类论文：模糊C均值(Fuzzy C-Means)聚类支持向量机(SVM) Laws纹理测同质性模型 Gabor滤波器【中文摘要】图像分割是图像处理的一个重要工具,一个有效的、前端的、复杂的算法。

它能够简化对图像的后续处理,并在视频和计算机视觉方面都有应用,如目标定位或识别、数据压缩、跟踪、图像检索等等。

虽然大量的图像分割算法已被广大研究者提出并改进,但是没有人提出一种完美的,适合于任何一种图像的分割算法,现有的方法都多少存在着方法或算法上的不足。

因此到目前为止,图像分割作为一个重要工具的同时,仍然是图像处理领域的一个具有挑战性的难题。

当前,对基于像素级、多特征、多种分割算法相结合的分割方法的研究,已经成为图像分割领域的热点。

通过认真总结,本文对模糊聚类算法和优于传统机器学习的支持向量机方法,从理论和实验结果等方面都进行了全面系统的比较和分析。

通过像素颜色,纹理等特征来描述图像的具体信息,并结合模糊C均值聚类(FCM,Fuzzy C-Means)算法和支持向量机(SVM)的方法展开实验,主要任务如下:1.本文对模糊聚类算法特别是模糊C均值聚类(FCM,Fuzzy C-Means)分割算法进行细致深入的研究探讨,并认真研究了模糊聚类图像分割算法中初始聚类类别数确定、初始聚类中心和隶属度函数的选择。

2.以模糊C均值聚类(FCM,Fuzzy C-Means)理论为基础,提出了一种结合laws纹理测度与自适应阈值的FCM聚类算法对图像进行分割。

通过大量实验对比表明,该算法与人的视觉感知系统一致性好,对噪声有良好的抑制效果,节省实验过程中程序运行的时间,提高图像分割速度。

3.通过核函数类型、核参数、惩罚因子等因素,对采用支持向量机(SVM)进行图像分割的方法的可行性进行了分析、研究,提出了一种基于无监督的支持向量机分类算法,为使用支持向量机方法(SVM)进行图像分割提供了依据。

Received 30 October 2006; received in revised form 17 March 2008; accepted 18 March 2008 Available online 26 March 2008
Abstract A novel kernelized fuzzy attribute C-means clustering algorithm is proposed in this paper. Since attribute means clustering algorithm is an extension of fuzzy C-means algorithm with weighting exponent m = 2, and fuzzy attribute C-means clustering is a general type of attribute means clustering with weighting exponent m > 1, we modify the distance in fuzzy attribute C-means clustering algorithm with kernel-induced distance, and obtain kernelized fuzzy attribute C-means clustering algorithm. Kernelized fuzzy attribute C-means clustering algorithm is a natural generalization of kernelized fuzzy C-means algorithm with stable function. Experimental results on standard Iris database and tumor/normal gene chip expression data demonstrate that kernelized fuzzy attribute C-means clustering algorithm with Gaussian radial basis kernel function and Cauchy stable function is more effective and robust than fuzzy C-means, fuzzy attribute C-means clustering and kernelized fuzzy C-means as well. © 2008 Elsevier B.V. All rights reserved.