针对模糊c均值(Fuzzy c-Means,FcM)算法,不能有效地对夹杂噪声的遥感图像聚类的问题,本文提出了一种基于局部空间信息核模糊c均值(Kernel Fuzzy c-Means,KFcM)的遥感图像聚类算法。首先,运用核函数将遥感图像的所有像元映射到高维特征空间,通过非线性映射优化遥感图像的有用特征;然后,根据相邻像元之间的相关性,利用一种空间函数重新定义像元的模糊隶属度,将像元的局部空间信息引入到FcM算法中,并在高维特征空间中使用这种基于局部空间信息的FcM算法对像元聚类。由于引入了像元的局部空间信息,算法可以直接应用于原始遥感图像,不需要滤波预处理。大量实验结果表明,本文提出的基于局部空间信息KFcM的遥感图像聚类算法具有较强的抗噪能力,可得到较好的同质区域,优于现有的FcM算法、模糊局部信息c均值(Fuzzy Local Information c-Means,FLIcM)算法及KFcM算法。
应用核函数度量的紧致性和分离性,给出了一种新的聚类有效性指标KKW,由KKW指标得到最优聚类数并用于修正核函数模糊聚类算法(MKFcM),由于经过了修正核函数的映射,使原来没有显现的特征突显出来。用MKFcM对Wine和glass数据集进行聚类,每一类的聚类正确度大于90%;对于缺失数据的Wisconsin Breast cancer数据,错分率为4.72%。该聚类方法在性能上比经典聚类算法有所改进,具有更快的收敛速度以及较高的准确度。仿真实验的结果证实了修正核聚类方法的可行性和有效性。
针对模糊c均值算法(fuzzy c-means algorithm,简称FcM)在入侵检测中需要预先指定聚类数的问题,提出了一种自动决定聚类数算法(fuzzy c-means and support vector machine algorithm,简称F-cMSVM).它首先用模糊c均值算法把目标数据集分...
详细信息
针对模糊c均值算法(fuzzy c-means algorithm,简称FcM)在入侵检测中需要预先指定聚类数的问题,提出了一种自动决定聚类数算法(fuzzy c-means and support vector machine algorithm,简称F-cMSVM).它首先用模糊c均值算法把目标数据集分为两类,然后使用带有模糊成员函数的支持向量机(support vector machihe,简称SVM)算法对结果进行评估以确定目标数据集是否可分,再迭代计算,最终得到聚类结果.支持向量机算法引入模糊c均值算法得出的隶属矩阵作为模糊成员函数,使得不同的输入样本可以得到不同的惩罚值,从而得到最优的分类超平面.该算法既不需要对训练数据集进行标记,也不需要指定聚类数,因此是一种真正的无监督算法.在对KDD cUP 1999数据集的仿真实验结果表明,该算法不仅能够得到最佳聚类数,而且对入侵有较好的检测效果.
暂无评论