文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 自然科学 > 数学 > 和声搜索算法在聚类分析中的应用
侵权投诉

和声搜索算法在聚类分析中的应用

50东北大学学报(自然科学版) 第33

和声搜索算法在聚类分析中的应用

卷

计算得到样本的真实聚类中心数,并将满足条件的聚类中心作为FCM初始聚类中心进行聚类分析.

首先,需要根据和声搜索阶段得到的隶属度函数值矩阵定义二值矩阵M,用来计算每类中数据样本个数,消除由于噪声和零星分布数据的干扰而形成的数据个数较少的一类对应的聚类中心.二值矩阵M定义如下:Mik=

0,1,

Uik<max(U1k,U2k,,,Uck);否则.

(11)

在聚类分析的结果中,如果其中某一类数据样本个数明显少于数据样本个数最多的一类,将该类合并到聚类中心距离最近的一类中,重复这个过程,直到所有聚类中心点对应的数据样本个数满足以下条件:

k=1

得到cn个聚类中心(cn[c),cn反映了数据样本的真实聚类中心数.

3 结果与分析

本文分别对遥感图像和红外图像进行仿真实验.应用50次循环中目标函数最小值、最差值、平均值和平均每次循环所需时间4种性能指标来比较本文算法(IHSC)、基于蚁群聚类算法(ANTC)和传统和声搜索聚类算法(HSC).实验环境在Intel(R)Core(TM)2Quad2.66GHzCPU,3.50GB内存的PC机上应用Matlab7.0语言编程实现.

3.1 性能测试

图1为一组遥感图像和红外图像,表1中性

和声搜索算法在聚类分析中的应用

能指标为聚类中心数c=3的情况下,50次循环中目标函数最小值、最差值、平均值和平均运行时间.从表中可以看到,基于蚁群聚类算法中目标函数的最优值、最差值和平均值较大,且3种性能指标之间的差异较小,这种情况表明基于蚁群聚类算法容易陷入局部最优解.由于和声搜索算法是一种全局的优化搜索算法,解决了传统优化算法容易陷入局部最优解的问题,所以,从表中可以看

FFFF

6

n

Mik>A@max

k=1

6

n

Mik,i=1,2,,,c.

(12)

式中:M为二值矩阵;A为比例系数,本文中A=0115.判断所有聚类中心对应的类中数据样本个数是否满足条件,将不满足条件的聚类中心对应的类与其聚类中心距离最近的类进行合并,最终

图1 遥感图像和红外图像

Fig.1 Remotesensingandinfrareimages

(a))三叉河流遥感图像;(b))城市遥感图像;(c))人物红外图像;(d))管线红外图像.

表1 在c=3情况下试验结果比较

Table1 Comparisonwiththeresultsofdifferentalgorithmsforc=3

图像图1a

算法蚁群和声

改进和声蚁群和声

改进和声蚁群和声

改进和声蚁群和声

改进和声

最优值2.96942.18162.17873.36732.55102.54101.96570.85620.81248.24757.18375.7638

最差值2.98372.77862.18903.38162.75992.55911.99281.29640.89328.30059.20167.0342

平均值2.97832.28462.18153.37872.62462.54351.98151.09260.84088.27898.50726.3096

运行时间/s8.68146.53975.52568.70976.49395.557121.484215.332613.964817.257916.420515.9088

图1b

图1c

图1d

上一页第4页

你可能喜欢

  • 算法研究
  • 遗传算法求解优化问题
  • Excel使用技巧大全(超
  • 英语双向细目表
  • 题库系统
  • 搜索优化

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email