检索结果

Select

1. 基于改进核模糊C均值类间极大化聚类算法

李斌, 狄岚, 王少华, 于晓瞳

计算机应用 2016, 36 (7): 1981-1987. DOI: 10.11772/j.issn.1001-9081.2016.07.1981

摘要（352）

PDF （886KB）（344）

传统的核聚类仅考虑了类内元素的关系而忽略了类间的关系，对边界模糊或边界存在噪声点的数据集进行聚类分析时，会造成边界点的误分问题。为解决上述问题，在核模糊C均值（KFCM）聚类算法的基础上提出了一种基于改进核模糊C均值类间极大化聚类（MKFCM）算法。该算法考虑了类内元素和类间元素的联系，引入了高维特征空间的类间极大惩罚项和调控因子，拉大类中心间的距离，使得边界处的样本得到了较好的划分。在各模拟数据集的实验中，该算法在类中心的偏移距离相对其他算法均有明显降低。在人造高斯数据集的实验中，该算法的精度（ACC）、归一化互信息（NMI）、芮氏指标（RI）指标分别提升至0.9132，0.7575，0.9138。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于信息浓缩的隐私保护支持向量机分类算法

狄岚, 于晓瞳, 梁久祯

计算机应用 2016, 36 (2): 392-396. DOI: 10.11772/j.issn.1001-9081.2016.02.0392

摘要（543）

PDF （862KB）（860）

支持向量机(SVM)的分类决策过程涉及到对原始训练样本的学习,容易导致数据中隐私信息的泄漏。为解决上述问题,提出一种基于信息浓缩的隐私保护分类方法IC-SVM。该算法首先根据样本的邻域信息,通过模糊C均值(FCM)聚类算法进行聚类分析;接着,使用信息浓缩准则对聚类中心进行处理,得到浓缩点组成的新样本;最后,使用新样本进行训练并得到决策函数,并用它去进行分类测试,可以较好地保护数据的隐私。在UCI真实数据和PIE人脸数据上的实验结果表明,IC-SVM方法既能保护数据信息的安全,又有较高的分类准确率。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于核与局部信息的多维度模糊聚类图像分割算法

王少华, 狄岚, 梁久祯

计算机应用 2015, 35 (11): 3227-3231. DOI: 10.11772/j.issn.1001-9081.2015.11.3227

摘要（476）

PDF （1025KB）（408）

在以聚类分析为背景的图像分割算法中,引入局部信息是为了在保留图像细节的同时尽可能地减少噪声.在模糊C均值算法基础上,提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节.该算法引入2个基于局部信息的图像变体,即平滑和锐化处理后的图像,使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值; 再利用核方法提高其鲁棒性; 最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果.在人工合成图片的去噪实验中,所提方法取得了近99%的分割正确率,优于Nystrom归一化分割(NNcut)和基于模糊局部信息C均值(FLICM)算法;同时在自然图片和医学图片的对比实验以及参数调控实验中,展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点.

参考文献 | 相关文章 | 多维度评价