抑制式可能性聚类算法研究

Fuzzy c-means clustering algorithm (FCM) and possibilistic c-means clustering algorithm (PCM) are two classical fuzzy clustering algorithms. In order to overcome the low running speed of FCM, the applicant adopted the mechanism of competitive learning and proposed suppressed fuzzy c-means clustering algorithm (S-FCM). This work has been recognized by international counterparts. Considering the existence of the phenomenon of the clustering centers convergence in PCM, this project learns from the research method of S-FCM and then introduce the mechanism of competitive learning into the PCM. A series of suppressed possibilistic c-means clustering algorithms are proposed and further the selection of the suppressed rate parameter Alpha and other parameters are studied.. At present, all the modified algorithms which are proposed to overcome the convergence of the clustering centers in PCM are based on the objective function. Being different from these modified algorithms of PCM, this project adopts to change the possibilistic distribution of data to solve the convergence of the clustering centers in PCM. Comparatively speaking, this project behaves well in simple principle, intuitive formulation and being easy to use. The research method of this project is first introduced in the world. Therefore, the research results of this project have important theoretical and applied value.

模糊C-均值聚类算法和可能性C-均值聚类算法是经典的聚类算法。为克服模糊C-均值聚类算法运行慢的不足，申请者采用竞争学习机制，曾提出抑制式模糊C-均值聚类算法，获得国际同行的认可。鉴于可能性C-均值聚类算法存在聚类中心趋同现象，本项目借鉴抑制式模糊C-均值聚类算法的研究思路，在可能性聚类中引入竞争学习机制，提出一系列抑制式可能性聚类算法，并研究抑制率Alpha和相关参数的选择问题。. 目前，国际上提出的克服可能性聚类算法的聚类中心趋同现象的改进算法均是从目标函数入手。与现有改进方式不同的是，本项目从改变数据的可能性分布入手来解决问题。相比而言，本项目研究具有原理简单、表述直观、易于使用的优点。本项目的研究思路在国际上属首次提出，因此本项目的研究成果具有重要的理论和应用价值。

为克服模糊C-均值聚类算法运行慢的不足，申请者采用竞争学习机制，曾提出抑制式模糊C-均值聚类算法，获得国际同行的认可。鉴于可能性C-均值聚类算法存在聚类中心趋同现象，本项目借鉴抑制式模糊C-均值聚类算法的研究思路，在可能性聚类中引入竞争学习机制，提出一系列抑制式可能性聚类算法，改善可能性C-均值聚类算法的中心趋同问题。. 取得的重要研究进展如下：1)探讨如何利用抑制式竞争学习机制改善类间关系，同时保留可能性聚类对噪声点的处理能力，并由此提出抑制式可能性C-均值聚类算法，分别给出了一种抑制率和惩罚因子的自适应确定方法。2）将模糊集的截集表述引入到可能性C-均值聚类算法中，利用模糊集的截集概念修改数据的可能性划分，进而提出截集式可能性C-均值聚类算法，给出了一种截集门限的自适应确定方法。3）针对多类数据的中心重合问题，利用中心之间的距离判断和去掉重叠的中心，使得聚类算法能够获得正确的分类数目。4）分别针对可能性Gustafson-Kessel算法、可能性核聚类算法引入抑制式竞争学习机制，减弱可能性聚类算法针对非球状数据分类的聚类中心趋同现象。5）作为本项目的延伸与应用，提出了基于倒数粗糙熵、Kaniadakis熵、非局部模糊聚类、稀疏自表示模糊聚类、全散度模糊聚类等灰度图像分割算法；本项目还涉及了高效判别聚类算法、图像超分辨分析、图像加密、目标检测、图像检索等方面的研究工作。. 项目组成员完成了项目全部的研究任务，取得了预期的研究成果，共计发表论文89篇，其中IEEE Transactions on Fuzzy Systems、Applied Soft Computing 等SCI检索期刊论文30篇，EI检索论文18篇，出版专著两部；培养博士研究生1名、硕士研究生6名。 . 本项目开展了可能性C-均值聚类算法研究，拓宽了抑制式竞争学习机制的应用领域，提出了多种抑制式可能性聚类算法，给可能性聚类算法的研究提供了一个新的角度，推动了聚类分析的发展。因此，本项目的研究具有一定理论意义和非常好的应用价值。