文献类型：期刊文章

作　　者：朱林[1,2] 王士同[1] 邓赵红[1]

机构地区：[1]江南大学信息工程学院,江苏无锡214122 [2]上海交通大学图像处理与模式识别研究所,上海200240

出　　处：《计算机研究与发展》

基　　金：国家“八六三”高技术研究发展计划基金项目(2006AA10Z313);国家自然科学基金项目(60773206,60704047);国防应用基础研究基金项目(A1420461266)~~

年　　份：2009

卷　　号：46

期　　号：5

起止页码：814-822

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：聚类分析是无监督模式识别中的一种重要方法,已广泛应用于数据挖掘、图像处理、计算机视觉、生物信息和文本分析中.在聚类算法中,模糊指数m对聚类结果有十分重要的影响.针对IFP-FCM算法模糊指数m被限定为2的问题,提出了一般化的改进模糊划分的FCM聚类算法GIFP-FCM.通过引入新的隶属度约束,解决了IFP-FCM算法模糊指数m的一般化问题;同时GIFP-FCM算法从Voronoi距离和竞争学习的角度对其鲁棒性和快速收敛性进行了合理解释;其次,通过引入模糊程度系数α,使得FCM算法和IFP-FCM算法分别表示为GIFP-FCM算法在α等于0和α趋于1时的特例.实验结果表明,GIFP-FCM算法较之于IFP-FCM和FCM算法具有更好的鲁棒性和参数适应性;在纹理图像分割中,GIFP-FCM也明显优于IFP-FCM和FCM算法.

关 键 词：聚类算法 竞争学习  模糊划分  Voronoi距离  纹理图像分割

分 类 号：TP391.4]