导读:本文包含了自适应模糊均值论文开题报告文献综述及选题提纲参考文献，主要关键词:模糊C均值,区间值,偏向自适应性,地物分类
自适应模糊均值论文文献综述
冯国政,徐金江,范宝德,赵甜雨[1]（2019）在《偏向自适应区间模糊C均值的遥感地物分类方法》一文中研究指出遥感图像类内地物的异质性和类间地物的模糊性,造成地物类别归属的不确定性.模糊集理论能够对分类模糊现象进行有效的刻画,而区间值数据模型能够反映类别数据的不确定性.因此,本文结合区间值数据模型与模糊C均值算法,提出一种偏向自适应区间的模糊C均值算法,通过归一化类内均方差调整类别的整体区间宽度,利用偏向因子对数据进行有选择性的动态区间建模,进而增加类内紧凑性与类间边界可分性.实验结果表明,该方法可以有效地应用于SPOT5遥感数据的地物分类,整体分类精度和Kappa系数较现有流行的模糊分类方法均有较大的提升.(本文来源于《烟台大学学报(自然科学与工程版)》期刊2019年03期）
吴会会,高淑萍,彭弘铭,赵怡[2]（2019）在《自适应模糊C均值聚类的数据融合算法》一文中研究指出针对基于改进模糊聚类的数据融合算法存在融合不精确、融合可信度较低等不足,为了解决多个同质传感器在无先验知识的情况下对同一个目标的某一特征进行测量的数据融合问题,提出了一种自适应模糊C均值聚类的数据融合算法,主要是把自适应模糊C均值聚类应用到数据融合中。该算法首先在改进的模糊聚类中通过引入自适应系数以发现不同形状和大小的聚类子集,使得融合结果更精确;其次将卡尔曼滤波原理和基于多层感知机的神经网络预测法应用到误差协方差估计中,提高了融合可信度。实验结果表明,与7种经典数据融合算法进行对比,该算法在4个模拟数据集与真实数据集上融合结果较好,特别在判别函数与融合误差方面优势更为明显。(本文来源于《计算机工程与应用》期刊2019年05期）
梁丹,于海燕,范九伦,雒僖[3]（2019）在《核空间局部自适应模糊C-均值聚类图像分割算法》一文中研究指出针对传统模糊C-均值聚类算法对在噪声干扰下图像的分割效果不理想问题,提出一种核空间与自适应中值滤波相结合的改进算法.算法利用自适应中值滤波获得像素的局部空间信息,并由此生成一种新的模糊因子加入到目标函数中,然后在核空间中对目标函数进行优化求解,得到最优聚类中心和隶属度.实验结果表明,该算法对被高椒盐噪声污染的图像具有较高的精度和鲁棒性.(本文来源于《微电子学与计算机》期刊2019年02期）
王小鹏,张永芳,王伟,文昊天[4]（2018）在《基于自适应滤波的快速广义模糊C均值聚类图像分割》一文中研究指出快速广义模糊C均值聚类(FGFCM)在对高噪声图像进行聚类分割时,噪声容易导致聚类中心发生偏移,影响图像分割结果.为此,文中提出基于自适应滤波的快速广义模糊C均值聚类算法,用于图像分割.首先根据非局部像素的噪声概率自适应确定参数平衡因子,更准确地反映图像包含的空间结构信息.然后利用该平衡因子有效结合FGFCM中的线性加权和滤波图像与原始图像的中值滤波图像,由于得到的自适应滤波图像根据图像中像素为噪声的概率自适应确定滤波程度,因此可以提高算法对噪声的动态抑制能力.实验表明,相比模糊C均值聚类和FGFCM,文中算法在对噪声含量较高的图像进行聚类分割时,可以得到更准确的结果.(本文来源于《模式识别与人工智能》期刊2018年11期）
陈凯,陈秀宏,孙慧强[5]（2019）在《基于Canopy聚类的噪声自适应模糊C-均值算法》一文中研究指出针对局部空间信息的模糊C-均值算法中空间影响因子容易受到噪声影响出现错误标志的问题,提出一种融合局部和非局部空间信息的模糊C-均值聚类图像分割算法(NLWFLICM)。在WFLICM算法的模糊影响因子中引入非局部空间信息,根据噪声程度自适应地设置局部和非局部信息权重,并重新标记中心点的模糊影响因子。实验结果表明,NLWFLICM算法具有比WFLICM算法更强的鲁棒性和自适应性,并在一定程度上提高了WFLICM算法对含有大量噪声图像进行分割的鲁棒性,同时保留了图像的纹理。为了提高算法的聚类性能和收敛速度,结合Canopy算法能够快速对数据进行粗聚类的优点,提出基于Canopy聚类与非局部空间信息的FCM图像分割改进算法(Canopy-NLWFLICM),可以在NLWFLICM算法聚类前对聚类中心进行预处理,从而提高收敛速度和图像分割精度。(本文来源于《计算机应用研究》期刊2019年07期）
曹硕,黄利萍,侯倍倍,陈刚[6]（2018）在《基于模糊边缘补足的自适应非局部均值图像去噪算法》一文中研究指出针对传统非局部均值图像去噪算法对纹理细节处理保持不足的问题,提出一种结合模糊边缘补足(FEC)的非局部均值图像去噪算法。利用FEC算法检测出图像的边缘纹理特征图像;基于此自适应选择相似性权重参数,有针对性地对边缘纹理区域和平坦区域进行不同程度的平滑,以防止边缘细节信息的过平滑;用边缘的结构相似性改进非局部图像块的相似性权重,加强相同区域像素的贡献而削弱不同区域像素的贡献,从而达到更好地保持纹理细节的作用。实验结果表明:该方法能够很好地达到去除噪声的效果,同时还能保持更多的纹理细节特征和几何结构特征。(本文来源于《激光与光电子学进展》期刊2018年01期）
朱占龙,王军芬[7]（2018）在《基于自适应模糊C均值与后处理的图像分割算法》一文中研究指出由于图像噪声强度和边界的不确定性,图像分割算法的抗噪性和准确性是一项具有挑战性的任务,提出两种改进的模糊聚类算法用于图像分割。本文算法共分两步:第一步利用各像素邻域信息自适应地对中心像素进行噪声可能性检测,噪声与图像细节参数用以构建新的加权图像,结合新图像给出两种新颖的模糊聚类算法;第二步对分割结果中可能存在的错分点进行检测并对其进行后处理,从而提高分割准确度和视觉效果。在不同的噪声水平下,利用人工合成图像、Berkeley图像及其他图像对本文算法进行分割实验,结果表明,相比于其他模糊聚类算法,本文算法在分割准确率和ARI(Adjusted Rand Index)上具有优势,而且分割结果图像轮廓清晰,视觉效果更好。(本文来源于《激光与光电子学进展》期刊2018年01期）
陆海青,葛洪伟[8]（2018）在《自适应灰度加权的鲁棒模糊C均值图像分割》一文中研究指出针对传统模糊C均值(fuzzy C-means,FCM)算法以及结合空间信息的相关改进算法分割精度较低、对噪声敏感的问题,提出一种自适应灰度加权的鲁棒模糊C均值图像分割算法。首先,通过定义像素间的局部灰度相似性测度来反映各像素对局部邻域的影响程度,并根据邻域窗口中各像素的灰度差异,利用指数函数进一步控制邻域像素的影响权重,实现像素灰度的自适应加权,从而提高像素灰度计算的准确性。其次,构造出一种改进的距离测度代替传统的欧氏距离,用于计算各像素与聚类中心之间的相似距离,增强算法对噪声和异常值的鲁棒性。最后,将提出的自适应灰度加权方法与改进的距离测度应用到FCM算法中,实现图像分割。实验结果表明,该算法需根据图像噪声的强度适当地选取邻域窗口大小,在此条件下算法能够取得较优的分割效果和运行效率,且对噪声具有较强的鲁棒性。(本文来源于《智能系统学报》期刊2018年04期）
史慧峰,马晓宁[9]（2016）在《一种自适应的模糊C均值聚类算法》一文中研究指出本文首先介绍了模糊C均值聚类算法及其不足。在模糊C均值聚类算法的基础上,结合有效性函数,提出了一种自动聚类算法——自适应的模糊C均值聚类算法,并建立了自适应的模糊C均值聚类算法的研究模型。最后,对改进算法用MATLAB进行编程实现,并通过多组数据集进行实验测试,对产生的多种实验结果进行分析,验证自适应的模糊C均值聚类算法可以实现自动类别数的判定。(本文来源于《无线通信技术》期刊2016年03期）
张志禹,王彩虹,张一帆[10]（2017）在《微分进化自适应模糊C均值分割算法》一文中研究指出模糊C均值(FCM)聚类算法分割图像时,对图像的背景噪声和聚类算法的初始值比较敏感,为了克服这个问题,进而提出了微分进化模糊C均值分割算法。为了避免陷入局部极值,首先使用FCM聚类初始化,接着用改进的FCM进行模糊聚类;然后进行初始化种群操作,设置微分进化DE算法的参数,计算种群中每个个体的适应值,最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力,有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题,保证图像分割边界的完整性,是一个比较高效的方法,有效地提升了分割效果。DE算法本身具有简单,快速,鲁棒性好等优点,利用这些优点可以有效地克服FCM算法的缺点。(本文来源于《计算机工程与应用》期刊2017年23期）
自适应模糊均值论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对基于改进模糊聚类的数据融合算法存在融合不精确、融合可信度较低等不足,为了解决多个同质传感器在无先验知识的情况下对同一个目标的某一特征进行测量的数据融合问题,提出了一种自适应模糊C均值聚类的数据融合算法,主要是把自适应模糊C均值聚类应用到数据融合中。该算法首先在改进的模糊聚类中通过引入自适应系数以发现不同形状和大小的聚类子集,使得融合结果更精确;其次将卡尔曼滤波原理和基于多层感知机的神经网络预测法应用到误差协方差估计中,提高了融合可信度。实验结果表明,与7种经典数据融合算法进行对比,该算法在4个模拟数据集与真实数据集上融合结果较好,特别在判别函数与融合误差方面优势更为明显。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应模糊均值论文参考文献
[1].冯国政,徐金江,范宝德,赵甜雨.偏向自适应区间模糊C均值的遥感地物分类方法[J].烟台大学学报(自然科学与工程版).2019
[2].吴会会,高淑萍,彭弘铭,赵怡.自适应模糊C均值聚类的数据融合算法[J].计算机工程与应用.2019
[3].梁丹,于海燕,范九伦,雒僖.核空间局部自适应模糊C-均值聚类图像分割算法[J].微电子学与计算机.2019
[4].王小鹏,张永芳,王伟,文昊天.基于自适应滤波的快速广义模糊C均值聚类图像分割[J].模式识别与人工智能.2018
[5].陈凯,陈秀宏,孙慧强.基于Canopy聚类的噪声自适应模糊C-均值算法[J].计算机应用研究.2019
[6].曹硕,黄利萍,侯倍倍,陈刚.基于模糊边缘补足的自适应非局部均值图像去噪算法[J].激光与光电子学进展.2018
[7].朱占龙,王军芬.基于自适应模糊C均值与后处理的图像分割算法[J].激光与光电子学进展.2018
[8].陆海青,葛洪伟.自适应灰度加权的鲁棒模糊C均值图像分割[J].智能系统学报.2018
[9].史慧峰,马晓宁.一种自适应的模糊C均值聚类算法[J].无线通信技术.2016
[10].张志禹,王彩虹,张一帆.微分进化自适应模糊C均值分割算法[J].计算机工程与应用.2017