模糊C均值聚類課件

基于一種新的加權(quán)

模糊C均值聚類的遙感圖片分類

基于一種新的加權(quán)

模糊C均值聚類的遙感圖片分類

1論文結(jié)構(gòu)一、研究?jī)?nèi)容及相關(guān)工作二、新加權(quán)模糊C均值三、實(shí)驗(yàn)分析和結(jié)果四、總結(jié)論文結(jié)構(gòu)一、研究?jī)?nèi)容及相關(guān)工作二、新加權(quán)模糊C均值三、實(shí)驗(yàn)分2模糊C均值聚類（FCM）加權(quán)模糊C均值聚類（FWCM）新加權(quán)模糊C均值聚類（NW-FCM）研究?jī)?nèi)容非參數(shù)加權(quán)特征提取（NWFE）的加權(quán)平均判別分析特征提?。―AFE）的聚類平均實(shí)驗(yàn)證明新加權(quán)模糊C均值聚類比FCM、FWCM有更好的聚類效果，特別針對(duì)高光譜圖像。模糊C均值聚類（FCM）加權(quán)模糊C均值聚類（FWCM）新加權(quán)31、K-均值聚類（C-均值）算法目的：各個(gè)樣本與所在類均值的誤差平方和達(dá)到最小基本理論介紹初始化輸入對(duì)象X，確定聚類類數(shù)N，并在X中隨機(jī)選取N個(gè)對(duì)象作為初始聚類中心。設(shè)定迭代中止條件，比如最大循環(huán)次數(shù)或者聚類中心收斂誤差容限。迭代根據(jù)相似度準(zhǔn)則將數(shù)據(jù)對(duì)象分配到最接近的聚類中心，從而形成一類。更新聚類中心以每一類的平均向量作為新的聚類中心，重新分配數(shù)據(jù)對(duì)象。終止反復(fù)執(zhí)行第二步和第三步直至滿足中止條件算法步驟1、K-均值聚類（C-均值）基本理論介紹初始化輸入對(duì)象X，確4舉一個(gè)簡(jiǎn)單的例子來說明問題：設(shè)有一組數(shù)據(jù)集x1=(2,1),x2=(1,3),x3=(6,7),x4=(4,7)目標(biāo)函數(shù)：同一類的中心點(diǎn)：模糊C均值聚類ppt課件52、模糊C-均值聚類初始化輸入對(duì)象X，確定聚類類數(shù)N，確定模糊加權(quán)指數(shù)m，隨機(jī)在范圍[0，1]的值形成初始隸屬度矩陣計(jì)算聚類中心模糊聚類中心更新隸屬度新的隸屬度，組成新的隸屬矩陣終止反復(fù)執(zhí)行第二步和第三步直至算法收斂，即前后兩個(gè)矩陣的差異低于閥值或迭代次數(shù)達(dá)到指定次數(shù)FCM算法得出結(jié)果較為穩(wěn)定，但分類精確度不夠。2、模糊C-均值聚類初始化輸入對(duì)象X，確定聚類類數(shù)N，確定模63、加權(quán)模糊C-均值聚類初始化輸入對(duì)象X，確定聚類類數(shù)N，確定模糊加權(quán)指數(shù)m，隨機(jī)在范圍[0,

1]的值形成初始隸屬度矩陣計(jì)算加權(quán)平均值計(jì)算加權(quán)平均值更新拉格朗日乘數(shù)更新拉格朗日乘數(shù)更新隸屬度更新隸屬度終止反復(fù)執(zhí)行第二步和第三步直至算法收斂，即前后兩個(gè)矩陣的差異低于閥值或迭代次數(shù)達(dá)到指定次數(shù)FWCM算法得出結(jié)果分類精度度較高，但不穩(wěn)定。3、加權(quán)模糊C-均值聚類初始化輸入對(duì)象X，確定聚類類數(shù)N，確7提出新加權(quán)模糊C-均值算法初始化輸入對(duì)象X，確定聚類類數(shù)N，確定加權(quán)指數(shù)m，隨機(jī)在范圍[0，1]的值形成初始隸屬度矩陣計(jì)算聚類中心計(jì)算模糊聚類中心計(jì)算加權(quán)平均值計(jì)算加權(quán)平均值更新拉格朗日乘數(shù)計(jì)算拉格朗日乘數(shù)更新隸屬度更新隸屬度終止反復(fù)執(zhí)行第二步和第三步直至算法收斂，即前后兩個(gè)矩陣的差異低于閥值或迭代次數(shù)達(dá)到指定次數(shù)提出新加權(quán)模糊C-均值算法初始化輸入對(duì)象X，確定聚類類數(shù)N，8實(shí)驗(yàn)數(shù)據(jù)集：Irisdataset是由RonaldFisher在1936提出的多元數(shù)據(jù)集，作為判別分析的一個(gè)例子，用來分辨鳶尾花卉的種類。Irisdataset：150個(gè)數(shù)據(jù)點(diǎn)、4-D特征（花萼長度、花萼寬度、花瓣長度、花瓣寬度）、分屬3個(gè)類、每類50個(gè)點(diǎn)實(shí)驗(yàn)方法：實(shí)驗(yàn)分別使用3種模糊加權(quán)指數(shù)m（2、2.5、3）實(shí)驗(yàn)分別使用3種算法（FCM、FWCM、NW-FCM）隨機(jī)產(chǎn)生初始聚類中心或隸屬矩陣，改變算法和加權(quán)指數(shù)分別重復(fù)進(jìn)行1000次實(shí)驗(yàn)。運(yùn)算停止條件：迭代前后隸屬度矩陣的差異小于0.00001或迭代次數(shù)大于100實(shí)驗(yàn)分析和結(jié)果實(shí)驗(yàn)分析和結(jié)果9實(shí)驗(yàn)分析和結(jié)果從表中可以看到FWCM的總體準(zhǔn)確度的方差較大，F(xiàn)CM和NW-FCM的準(zhǔn)確度的穩(wěn)定性要比FWCM好，而NW-FCM聚類的總體準(zhǔn)確度要高于FCM算法。相對(duì)與FCM和FWCM，NW-FCM算法既穩(wěn)定又準(zhǔn)確。實(shí)驗(yàn)分析和結(jié)果從表中可以看到FWCM的總體準(zhǔn)確度的方差較大，101、新加權(quán)模糊C均值聚類在聚類的