模糊c均值聚类

基于一种新的加权模糊C均值聚类的遥感图片分类论文结构一、研究内容及相关工作二、新加权模糊C均值三、实验分析和结果四、总结模糊C均值聚类（FCM）加权模糊C均值聚类（FWCM）新加权模糊C均值聚类（NW-FCM）研究内容非参数加权特征提取（NWFE）的加权平均判别分析特征提取（DAFE）的聚类平均实验证明新加权模糊C均值聚类比FCM、FWCM有更好的聚类效果，特别针对高光谱图像。1、K-均值聚类（C-均值）算法目的：各个样本与所在类均值的误差平方和达到最小基本理论介绍初始化•输入对象X，确定聚类类数N，并在X中随机选取N个对象作为初始聚类中心。设定迭代中止条件，比如最大循环次数或者聚类中心收敛误差容限。迭代•根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类。更新聚类中心•以每一类的平均向量作为新的聚类中心，重新分配数据对象。终止•反复执行第二步和第三步直至满足中止条件算法步骤举一个简单的例子来说明问题：设有一组数据集x1=(2,1),x2=(1,3),x3=(6,7),x4=(4,7)目标函数：同一类的中心点：2、模糊C-均值聚类初始化•输入对象X，确定聚类类数N，确定模糊加权指数m，随机在范围[0，1]的值形成初始隶属度矩阵计算聚类中心•模糊聚类中心更新隶属度•新的隶属度，组成新的隶属矩阵终止•反复执行第二步和第三步直至算法收敛，即前后两个矩阵的差异低于阀值或迭代次数达到指定次数FCM算法得出结果较为稳定，但分类精确度不够。3、加权模糊C-均值聚类初始化•输入对象X，确定聚类类数N，确定模糊加权指数m，随机在范围[0,1]的值形成初始隶属度矩阵计算加权平均值•计算加权平均值更新拉格朗日乘数•更新拉格朗日乘数更新隶属度•更新隶属度终止•反复执行第二步和第三步直至算法收敛，即前后两个矩阵的差异低于阀值或迭代次数达到指定次数FWCM算法得出结果分类精度度较高，但不稳定。提出新加权模糊C-均值算法初始化•输入对象X，确定聚类类数N，确定加权指数m，随机在范围[0，1]的值形成初始隶属度矩阵计算聚类中心•计算模糊聚类中心计算加权平均值•计算加权平均值更新拉格朗日乘数•计算拉格朗日乘数更新隶属度•更新隶属度终止•反复执行第二步和第三步直至算法收敛，即前后两个矩阵的差异低于阀值或迭代次数达到指定次数实验数据集：Irisdataset是由RonaldFisher在1936提出的多元数据集，作为判别分析的一个例子，用来分辨鸢尾花卉的种类。Irisdataset：150个数据点、4-D特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）、分属3个类、每类50个点实验方法：实验分别使用3种模糊加权指数m（2、2.5、3）实验分别使用3种算法（FCM、FWCM、NW-FCM）随机产生初始聚类中心或隶属矩阵，改变算法和加权指数分别重复进行1000次实验。运算停止条件：迭代前后隶属度矩阵的差异小于0.00001或迭代次数大于100实验分析和结果实验分析和结果从表中可以看到FWCM的总体准确度的方差较大，FCM和NW-FCM的准确度的稳定性要比FWCM好，而NW-FCM聚类的总体准确度要高于FCM算法。相对与FCM和FWCM，NW-FCM算法既稳定又准确。1、新加权模糊C均值聚类在聚类的准确性和稳定性上具有优势2、可用于图像识别、图像分割和模式识别3、FCM聚类中心表示的是每个类的平均特征，可以认为是这个类的代表点。总结