本文關(guān)鍵詞：輸入特征向量的自適應(yīng)優(yōu)化——以遙感圖像K-均值聚類為例，由筆耕文化傳播整理發(fā)布。

【摘要】：針對(duì)在常規(guī)聚類應(yīng)用中一般通過人工試湊調(diào)試輸入特征分量表達(dá)式和權(quán)重所帶來的參數(shù)選擇困難的問題,該文以自適應(yīng)計(jì)算替代人工調(diào)試為目的,給出了一個(gè)稱為"輸入特征向量自適應(yīng)優(yōu)化"(Self-adaptive Optimization of Input Feature Vector,SOIFV)的新方法。SOIFV分為兩個(gè)部分:1)優(yōu)化輸入向量各分量的權(quán)重,它通過評(píng)估聚類結(jié)果的均質(zhì)特性和緊密程度,確定權(quán)分量的改正方向和改正值,通過迭代逐步逼近最適宜的權(quán)向量;2)優(yōu)化特征向量的描述符組合,這種優(yōu)化通過使用描述符范例數(shù)據(jù)庫(kù)自適應(yīng)替換不適宜的特征分量實(shí)現(xiàn),替換在當(dāng)前最適宜權(quán)向量的指導(dǎo)下進(jìn)行。以遙感圖像K-均值聚類為例,以MATLAB為模擬平臺(tái),對(duì)SOIFV進(jìn)行仿真測(cè)試;精度評(píng)估的測(cè)試樣本以圖像點(diǎn)采樣獲取,并與常規(guī)聚類方法作了精度比較。實(shí)驗(yàn)表明:SOIFV對(duì)聚類輸入特征向量的自適應(yīng)優(yōu)化有效,以優(yōu)化輸入向量聚類的平均全局精度為85.27%,比使用常規(guī)方法聚類提高18.82%。
【作者單位】： 華東師范大學(xué)地理系;華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室;
【關(guān)鍵詞】： 聚類 特征空間 權(quán)重向量 自適應(yīng) K-means
【基金】：國(guó)家自然科學(xué)基金(J1310028)
【分類號(hào)】：TP751
【正文快照】： 0引言聚類算法能在幾乎不依靠先驗(yàn)知識(shí)的情況下,提供實(shí)體的自然集群,因此在人工智能識(shí)別領(lǐng)域始終占有重要地位。近20年來,還被廣泛用于語(yǔ)音識(shí)別、機(jī)器視覺、數(shù)據(jù)壓縮、信息檢索[1-2]和遙感圖像分析等領(lǐng)域[3]。圖像聚類是將像素集劃分為若干類的過程,這種劃分依靠像素在給定圖

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 袁周米琪;周堅(jiān)華;;自適應(yīng)確定K-means算法的聚類數(shù):以遙感圖像聚類為例[J];華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年06期

2 馮波;郝文寧;陳剛;占棟輝;;K-means算法初始聚類中心選擇的優(yōu)化[J];計(jì)算機(jī)工程與應(yīng)用;2013年14期

3 趙鳳;劉漢強(qiáng);范九倫;潘曉英;;應(yīng)用于遙感圖像分割的原型提取譜聚類集成算法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2012年12期

4 原福永;張曉彩;羅思標(biāo);;基于信息熵的精確屬性賦權(quán)K-means聚類算法[J];計(jì)算機(jī)應(yīng)用;2011年06期

5 周堅(jiān)華;周一凡;穆望舒;;城鎮(zhèn)綠地樹種識(shí)別的數(shù)學(xué)描述符[J];遙感學(xué)報(bào);2011年03期

6 曹志宇;張忠林;李元韜;;快速查找初始聚類中心的K_means算法[J];蘭州交通大學(xué)學(xué)報(bào);2009年06期

7 夏夢(mèng)雨;葉春明;吳勇;;利用博弈演化算法求解置換Flow shop調(diào)度問題[J];制造業(yè)自動(dòng)化;2007年07期

8 袁方;周志勇;宋鑫;;初始聚類中心優(yōu)化的k-means算法[J];計(jì)算機(jī)工程;2007年03期

9 王熙照,王亞東,湛燕,袁方;學(xué)習(xí)特征權(quán)值對(duì)K-均值聚類算法的優(yōu)化[J];計(jì)算機(jī)研究與發(fā)展;2003年06期

10 孫才志,王敬東,潘俊;模糊聚類分析最佳聚類數(shù)的確定方法研究[J];模糊系統(tǒng)與數(shù)學(xué);2001年01期

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 開雋;朱永忠;;基于改進(jìn)模糊聚類模型的居民生活水平評(píng)價(jià)[J];信息技術(shù);2016年04期

2 楊玉梅;;基于信息熵改進(jìn)的K-means動(dòng)態(tài)聚類算法[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年02期

3 任旭瑞;周堅(jiān)華;;輸入特征向量的自適應(yīng)優(yōu)化——以遙感圖像K-均值聚類為例[J];遙感信息;2016年02期

4 鄭丹;王名揚(yáng);陳廣勝;;基于Weighted-slope One的用戶聚類推薦算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2016年04期

5 沈德勝;朱良寬;宋佳音;李克新;;基于改進(jìn)k均值聚類方法的林木冠層孔隙度提取[J];森林工程;2016年02期

6 耿志強(qiáng);陳杰;韓永明;;基于模糊RBF神經(jīng)網(wǎng)絡(luò)的乙烯裝置生產(chǎn)能力預(yù)測(cè)[J];化工學(xué)報(bào);2016年03期

7 章宦記;;改良的kmeans與K近鄰算法特性分析[J];電子產(chǎn)品世界;2016年01期

8 謝益均;繆裕青;邵其武;高韓;文益民;;概念漂移數(shù)據(jù)流中可探測(cè)新穎類別的分類算法[J];桂林電子科技大學(xué)學(xué)報(bào);2015年06期

9 張一名;;云計(jì)算環(huán)境下的數(shù)據(jù)挖據(jù)算法研究[J];信息化建設(shè);2015年12期

10 張陽(yáng);何麗;朱顥東;;一種改進(jìn)的K-means動(dòng)態(tài)聚類算法[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年01期

【二級(jí)參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 馮波;郝文寧;陳剛;占棟輝;;K-means算法初始聚類中心選擇的優(yōu)化[J];計(jì)算機(jī)工程與應(yīng)用;2013年14期

2 徐曉e，

本文編號(hào)：503295