导读:本文包含了有监督模糊聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,多目标进化,模糊聚类,半监督聚类
有监督模糊聚类论文文献综述
赵凤,张咪咪,刘汉强[1]（2019）在《区域信息驱动的多目标进化半监督模糊聚类图像分割算法》一文中研究指出现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。(本文来源于《电子与信息学报》期刊2019年05期）
王俊,谭骥,张海洋,赵凯旋[2]（2018）在《基于半监督模糊聚类算法的奶牛行为判别系统》一文中研究指出以实时判别奶牛行为,提升精细养殖技术水平为目标,本试验以系统功耗低、检测灵敏度高、运行稳定性强为原则设计无线传感节点,研发了一种基于半监督模糊聚类算法的奶牛行为实时判别系统。为获取最佳通信距离及最优节点固定高度,对无线传感节点分别进行固定高度—通讯距离与丢包率关系测试、固定高度—数据波动关系测试,通信距离分别取10、20、30m,固定高度分别取10、20、30cm;并将半监督模糊聚类判别算法、K-means算法及BP神经网络算法在奶牛行为识别方面的准确度、精度及敏感度进行比较。结果显示,集成叁轴加速度传感器ADXL345、处理器MSP430-F149、无线收发器CC1101等芯片设计的无线传感节点可精确采集奶牛运动加速度数据,满足长期可靠传输数据等工作要求。固定高度—通讯距离与丢包率、固定高度—数据波动关系测试结果显示,最优传输距离为10m,最佳节点固定高度为30cm。半监督模糊聚类算法性能最高,平均准确度达到95.4%,平均精度为53.0%,平均敏感度为60.6%。K-means算法的平均准确度达到90.3%,平均精度仅有39.9%,平均敏感度为45.6%。BP神经网络算法平均准确度达到93.7%,平均精度为45.5%,平均敏感度为47.0%。半监督模糊聚类算法具有准确性高、学习复杂度低、运行速度快的特点,具有良好的寻优能力,效率较高。(本文来源于《中国畜牧兽医》期刊2018年11期）
李亚文[3]（2018）在《鲁棒半监督模糊聚类分割算法研究》一文中研究指出图像分割是图像分析和模式识别的重要问题,其分割结果的好坏直接影响着图像后续的质量分析以及判别分析。图像分割的本质是像素的聚类问题,以像素之间的相似性作为划分准则对像素进行分类,使相同类中的像素相似性尽量高,不同类中的像素相似性尽量低。模糊聚类算法是经典的无监督聚类算法,它可以合理描述像素归属的模糊性和不确定性,因而广泛应用于图像分割。模糊C-均值聚类(FCM)作为典型算法,因其易于实现、收敛速度快等优势得到了众多学者的研究和改进。半监督学习是目前机器学习和数据挖掘领域的一个研究热点,以图像分割为应用背景,半监督学习能够充分挖掘和利用图像的先验信息来使图像的分割结果更加高效、准确,吸引了众多学者对该领域进行研究,并取得了一定的研究成果。基于目标函数的半监督FCM算法是在FCM的目标函数中嵌入先验信息半监督正则项,使得聚类过程能在先验信息的监督指导下顺利进行。本文针对FCM算法及半监督FCM算法目前还存在的问题展开系统研究,主要研究内容如下:由于彩色图像携带了较多的可视化信息,彩色图像分割成为一个重要的研究领域。面对彩色图像分割应用,采用基于马氏距离的模糊聚类算法,在其基础上首先利用像素点邻域窗口信息重塑噪声点以提升算法抗噪性能,其次利用彩色图像红、绿、蓝3通道分量构造叁维直方图,统计出现频次不为零的灰度级组数目,用于取代像素值进行聚类从而提升算法实时性能,提出彩色图像鲁棒聚类分割快速算法。针对待分割图像像素受到污染或数据不充分情形,对FCM算法的目标函数采用邻域像素先验隶属度均值进行半监督约束,指导聚类过程到一个好的搜索空间,获得适合图像分割需要的半监督聚类目标函数;同时在目标函数中嵌入像素局部邻域信息正则项,采用最优化数学方法推导得到一类空间信息约束的半监督聚类迭代表达式;最后利用局部高斯核函数将像素样本从欧式空间映射至高维核空间,获得嵌入像素局部信息的核空间半监督模糊聚类分割算法。为了进一步改善灰度图像在噪声环境下的分割性能,提出两种改进的半监督FCM聚类分割算法。首先,将像素邻域的空间信息、灰度信息和非局部几何结构信息相结合并定义一种加权距离,用于取代半监督FCM目标函数中的距离度量方式,采用最优化数学方法获得一种高性能的鲁棒半监督聚类分割算法,并对其收敛性进行证明;其次,提出结合引导滤波的半监督模糊聚类分割算法,一方面采用空间邻域加权距离进行相似性度量,另一方面对含噪图像进行引导滤波预处理,将其结果作为像素的先验信息,同时结合像素类别的先验信息,一致对聚类目标函数进行半监督约束。改进的半监督FCM算法在强噪声干扰下能有效分割灰度图像,能满足图像分割的抗噪需求。(本文来源于《西安邮电大学》期刊2018-06-01）
白福均,高建瓴,宋文慧,贺思云[4]（2018）在《半监督模糊聚类算法的研究与改进》一文中研究指出介绍了半监督模糊聚类(SFCM)算法的原理和基础,针对当先验信息量稀少时算法无法真正有效地利用labeled数据的监督信息的缺点,提出了一种改进的半监督模糊聚类算法,即SSFCM算法。该方法把表示labeled数据点权重的参数放在聚类中心的迭代表达式里,从而可以调节监督信息的影响力。最后,在标准Iris数据集下,通过matlab编程实现算法。实验结果表明:无论从聚类结果的准确率还是算法运行迭代次数来看,SSFCM算法均优于FCM算法和SFCM算法。(本文来源于《通信技术》期刊2018年05期）
董志强,刘永年,魏丽华[5]（2017）在《基于图的半监督模糊聚类方法研究》一文中研究指出本文通过研究基于图的半监督模糊聚类方法,对相同实体进行有效统一,解决了数据分析之初的数据质量问题,通过实验证明了算法的有效性。(本文来源于《数字技术与应用》期刊2017年12期）
王鹭[6]（2016）在《改进蚁群优化的区间监督模糊聚类算法研究》一文中研究指出在实际的模糊聚类分析过程中,由于测量误差、数据漏读或者数据理解错误等原因,常常造成缺失数据的产生。在不完整数据集的聚类过程中,如果缺失属性的处理不恰当,会严重影响算法的聚类性能。对于缺失属性填充的最终目的就是尽可能地接近原有的真实值,使得不完整数据的聚类结果准确性得到提高。本文针对模糊C均值算法只能用于完整数据集聚类的问题,提出一种基于缺失属性和聚类中心编码的蚁群混杂聚类算法。在该算法中,蚁群中的每个蚂蚁个体的位置都代表缺失属性和聚类中心的一组解。在信息素的引导下,蚁群呈现出集体自催化和全局寻优的特性。最后利用蚁群搜索出的缺失属性和聚类中心的最佳估计值求得最终的隶属度矩阵,完成不完整数据集的聚类。随着蚁群的全局搜索过程,蚂蚁个体位置对应的分量,也就是缺失属性和聚类中心的估计值可能超出其搜索范围,进而导致严重偏离真实值。对此,本文提出一种区间监督强制策略。在迭代中,如果缺失属性的估计值超出监督区间,则将其强制到最近邻期望,然后继续迭代。如果某一缺失值有连续若干次迭代都超出区间范围,则将该缺失值固定到最近邻期望,以后的迭代中不再改变。聚类中心的区间监督策略为如果聚类中心的迭代值超出其监督区间,则将其强制到区间中心。最后,本文采用uCI机器学习数据库中的Iris,Breast,Bupa叁个数据集和两个高斯数据集进行实验,实验结果表明,采用基于缺失属性和聚类中心编码的混杂聚类算法的聚类结果更准确,而区间监督强制策略的引入,则使得缺失属性和聚类中心的估计值更接近真实值,从而提高了聚类性能。(本文来源于《辽宁大学》期刊2016-04-01）
冯晨菲,杨燕,王红军,徐英歌,王韬[7]（2015）在《一种基于数据相关性的半监督模糊聚类集成方法》一文中研究指出现有的半监督聚类集成方法能利用先验信息,使集成的准确性、鲁棒性和稳定性得到提高,但在集成阶段加入成对约束信息时,只考虑了给定的约束信息而忽视了约束点与被约束点的邻域点之间的关系。针对此问题,提出了一种基于数据相关性的半监督模糊聚类集成方法。该方法首先利用半监督模糊聚类算法建立集成信息矩阵,并将其转换为相似性矩阵;然后,利用已知的约束信息及约束点与被约束点的邻域点之间的关系来修改相似性矩阵;最后,利用图划分算法得到最终的聚类结果。真实数据上的实验结果表明,提出的方法可以有效提高聚类质量。(本文来源于《计算机科学》期刊2015年06期）
冯晨菲[8]（2015）在《半监督模糊聚类集成方法研究》一文中研究指出聚类是数据挖掘领域的一个重要性工具,它根据某种相似性准则将数据对象划分成若干个簇,以发现数据对象内在的分布情况。尽管目前学者提出了许多聚类算法及改进算法,但任何单一聚类算法都无法准确揭示各种数据集所呈现出的簇结构；面对具有各种形状或结构的数据集,寻找符合该数据集的单个聚类算法变得更加困难。聚类集成将不同的聚类算法或同种算法通过使用不同初始参数得到的结果进行合并,以获得比单个聚类算法更加优秀的结果。然而,多数情况下的聚类集成算法是建立在非监督方式之上的聚类集成算法,由于缺乏对先验知识的利用,致使聚类集成的准确性受到影响。考虑将半监督学习与聚类集成方法相结合,可以进一步提高学习性能。传统的聚类集成算法大部分是建立在硬聚类的基础上的,但在现实生活中大多数样本具有模糊性,从聚类集成的一开始便使用硬聚类算法将可能会导致部分有用信息的丢失；同时在聚类集成的过程中,由于基聚类结果的产生也伴随着潜在信息的产生,潜在信息的获取会较好的提高聚类集成的性能和质量。然而多数的聚类集成方法忽视了潜在信息或者潜在信息的获取方式较为复杂,导致聚类集成的结果受到影响。针对此问题,本文提出一种基于链接的模糊聚类集成方法,将数据与簇之间的相关性矩阵转化为表示数据相关性的权重图,通过简洁而有效的方法获取了潜在信息,并利用图划分算法提升最终结果。在半监督聚类集成的研究方面,在集成过程中加入成对约束信息时,不仅考虑约束点与被约束点之间的关系,而且考虑了约束点与被约束点邻域点之间的关系。给出了基于半径和使用高斯分布选取邻域点的两种方式。将数据本身的相关信息与半监督知识相结合,在半监督信息的基础上对先验知识进行扩充,并将扩充后的半监督信息用来指导集成过程,获得了较为理想的实验结果。(本文来源于《西南交通大学》期刊2015-05-01）
杨武剑,郭大立,仝立媛,李吉雄,谢寿昌[9]（2015）在《基于有监督模糊聚类分析的油气层识别技术》一文中研究指出储层的含油性识别与评价一直以来都是国内外油气勘探开发的重点和难点,准确地识别油气层属性,对于油气资源的勘探开发具有重大意义。对于具有复杂岩性的低渗储层而言,常规的油气识别方法效果不甚理想。本文针对准噶尔盆地西北缘区块具体储层,从模糊数学的观点出发,结合常规测井、录井和岩心实验所得到的资料,综合分析这些资料并优选出符合该区块地质的特征的8个参数,在此基础上引入有监督的模糊聚类分析,对该区块的储层的含油性进行分析。结果表明:有监督的模糊聚类分析能够较好的适用于具有复杂岩性的低渗储层的油气识别工作,其识别结果正确率高,能够满足实际工程的需要。(本文来源于《内江科技》期刊2015年04期）
杨昔阳,李志伟[10]（2015）在《半监督模糊聚类及其应用》一文中研究指出提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.(本文来源于《福建师范大学学报(自然科学版)》期刊2015年02期）
有监督模糊聚类论文开题报告
（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：
以实时判别奶牛行为,提升精细养殖技术水平为目标,本试验以系统功耗低、检测灵敏度高、运行稳定性强为原则设计无线传感节点,研发了一种基于半监督模糊聚类算法的奶牛行为实时判别系统。为获取最佳通信距离及最优节点固定高度,对无线传感节点分别进行固定高度—通讯距离与丢包率关系测试、固定高度—数据波动关系测试,通信距离分别取10、20、30m,固定高度分别取10、20、30cm;并将半监督模糊聚类判别算法、K-means算法及BP神经网络算法在奶牛行为识别方面的准确度、精度及敏感度进行比较。结果显示,集成叁轴加速度传感器ADXL345、处理器MSP430-F149、无线收发器CC1101等芯片设计的无线传感节点可精确采集奶牛运动加速度数据,满足长期可靠传输数据等工作要求。固定高度—通讯距离与丢包率、固定高度—数据波动关系测试结果显示,最优传输距离为10m,最佳节点固定高度为30cm。半监督模糊聚类算法性能最高,平均准确度达到95.4%,平均精度为53.0%,平均敏感度为60.6%。K-means算法的平均准确度达到90.3%,平均精度仅有39.9%,平均敏感度为45.6%。BP神经网络算法平均准确度达到93.7%,平均精度为45.5%,平均敏感度为47.0%。半监督模糊聚类算法具有准确性高、学习复杂度低、运行速度快的特点,具有良好的寻优能力,效率较高。
（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。
有监督模糊聚类论文参考文献
[1].赵凤,张咪咪,刘汉强.区域信息驱动的多目标进化半监督模糊聚类图像分割算法[J].电子与信息学报.2019
[2].王俊,谭骥,张海洋,赵凯旋.基于半监督模糊聚类算法的奶牛行为判别系统[J].中国畜牧兽医.2018
[3].李亚文.鲁棒半监督模糊聚类分割算法研究[D].西安邮电大学.2018
[4].白福均,高建瓴,宋文慧,贺思云.半监督模糊聚类算法的研究与改进[J].通信技术.2018
[5].董志强,刘永年,魏丽华.基于图的半监督模糊聚类方法研究[J].数字技术与应用.2017
[6].王鹭.改进蚁群优化的区间监督模糊聚类算法研究[D].辽宁大学.2016
[7].冯晨菲,杨燕,王红军,徐英歌,王韬.一种基于数据相关性的半监督模糊聚类集成方法[J].计算机科学.2015
[8].冯晨菲.半监督模糊聚类集成方法研究[D].西南交通大学.2015
[9].杨武剑,郭大立,仝立媛,李吉雄,谢寿昌.基于有监督模糊聚类分析的油气层识别技术[J].内江科技.2015
[10].杨昔阳,李志伟.半监督模糊聚类及其应用[J].福建师范大学学报(自然科学版).2015