论文部分内容阅读
近年来,数据挖掘引起了信息产业界的极大关注。数据挖掘的目的就是从其应用领域中提取出大量的数据,通过数据挖掘技术将这些数据转换成对本领域有显著作用和深远意义的信息和知识。在数据挖掘技术中,聚类分析是一种比较广泛的分析方法。模糊C-均值(FCM)聚类算法是非监督模式识别中应用最为广泛的算法之一。模糊C均值算法有其天然的优点:算法结构简单,原理简捷明了,计算量小,收敛速度快等。然而,FCM算法有其本身的不足:模糊C均值算法本身并不具有智能性,只是单纯的叠加计算,因此对算法的初始化要求很严格。在算法进行前要明确聚类数目以及由于初始聚类中心的选择不当,使结果极易陷入局部最小值等。本文就细菌觅食优化算法进行深入细致研究,通过十个测试函数验证了细菌觅食优化算法的优化能力,并对细菌算法进行了自适应步长的改变。之后,将其与模糊聚类算法结合,用细菌觅食优化算法优化FCM算法的聚类准则函数,提出了一种基于模糊c均值算法和细菌觅食优化算法的混合聚类算法(BF-FCM)。该算法结合了细菌觅食优化算法的全局搜索能力和FCM算法快速局部搜索的特点,利用细菌算法中单个细菌的独立搜索能力与多个细菌全局搜索能力,有效地克服了FCM对初始值敏感、易陷入局部最优等问题,同时增强了跳出局部最优的能力。实验表明,新算法得到的目标函数值更小,聚类效果评价指数更好,聚类效果明显优于传统的FCM算法。本文的另外一个重点,是将提出的混合聚类算法应用于图像分割中。图像分割是从输入图像中提取目标或感兴趣区域的过程,是目标检测和识别过程中的重要步骤。模糊C均值聚类在图像分割中得到广泛应用。本文新的混合算法用于图像分割领域,与传统的FCM算法在图像分割中的应用相比较,并大胆采用了灰度值与图像粗糙度双重物理量作为聚类特征,通过对八组图像分割效果定性和定量的双重分析结果表明,新的混合算法在图像分割中,效果明显优于传统的FCM算法。