模糊C均值聚類課件

基于一種新的加權

模糊C均值聚類的遙感圖片分類

基于一種新的加權

模糊C均值聚類的遙感圖片分類

1論文結構一、研究內容及相關工作二、新加權模糊C均值三、實驗分析和結果四、總結論文結構一、研究內容及相關工作二、新加權模糊C均值三、實驗分2模糊C均值聚類（FCM）加權模糊C均值聚類（FWCM）新加權模糊C均值聚類（NW-FCM）研究內容非參數加權特征提?。∟WFE）的加權平均判別分析特征提取（DAFE）的聚類平均實驗證明新加權模糊C均值聚類比FCM、FWCM有更好的聚類效果，特別針對高光譜圖像。模糊C均值聚類（FCM）加權模糊C均值聚類（FWCM）新加權31、K-均值聚類（C-均值）算法目的：各個樣本與所在類均值的誤差平方和達到最小基本理論介紹初始化輸入對象X，確定聚類類數N，并在X中隨機選取N個對象作為初始聚類中心。設定迭代中止條件，比如最大循環(huán)次數或者聚類中心收斂誤差容限。迭代根據相似度準則將數據對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，重新分配數據對象。終止反復執(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象X，確4舉一個簡單的例子來說明問題：設有一組數據集x1=(2,1),x2=(1,3),x3=(6,7),x4=(4,7)目標函數：同一類的中心點：模糊C均值聚類ppt課件52、模糊C-均值聚類初始化輸入對象X，確定聚類類數N，確定模糊加權指數m，隨機在范圍[0，1]的值形成初始隸屬度矩陣計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執(zhí)行第二步和第三步直至算法收斂，即前后兩個矩陣的差異低于閥值或迭代次數達到指定次數FCM算法得出結果較為穩(wěn)定，但分類精確度不夠。2、模糊C-均值聚類初始化輸入對象X，確定聚類類數N，確定模63、加權模糊C-均值聚類初始化輸入對象X，確定聚類類數N，確定模糊加權指數m，隨機在范圍[0,

1]的值形成初始隸屬度矩陣計算加權平均值計算加權平均值更新拉格朗日乘數更新拉格朗日乘數更新隸屬度更新隸屬度終止反復執(zhí)行第二步和第三步直至算法收斂，即前后兩個矩陣的差異低于閥值或迭代次數達到指定次數FWCM算法得出結果分類精度度較高，但不穩(wěn)定。3、加權模糊C-均值聚類初始化輸入對象X，確定聚類類數N，確7提出新加權模糊C-均值算法初始化輸入對象X，確定聚類類數N，確定加權指數m，隨機在范圍[0，1]的值形成初始隸屬度矩陣計算聚類中心計算模糊聚類中心計算加權平均值計算加權平均值更新拉格朗日乘數計算拉格朗日乘數更新隸屬度更新隸屬度終止反復執(zhí)行第二步和第三步直至算法收斂，即前后兩個矩陣的差異低于閥值或迭代次數達到指定次數提出新加權模糊C-均值算法初始化輸入對象X，確定聚類類數N，8實驗數據集：Irisdataset是由RonaldFisher在1936提出的多元數據集，作為判別分析的一個例子，用來分辨鳶尾花卉的種類。Irisdataset：150個數據點、4-D特征（花萼長度、花萼寬度、花瓣長度、花瓣寬度）、分屬3個類、每類50個點實驗方法：實驗分別使用3種模糊加權指數m（2、2.5、3）實驗分別使用3種算法（FCM、FWCM、NW-FCM）隨機產生初始聚類中心或隸屬矩陣，改變算法和加權指數分別重復進行1000次實驗。運算停止條件：迭代前后隸屬度矩陣的差異小于0.00001或迭代次數大于100實驗分析和結果實驗分析和結果9實驗分析和結果從表中可以看到FWCM的總體準確度的方差較大，FCM和NW-FCM的準確度的穩(wěn)定性要比FWCM好，而NW-FCM聚類的總體準確度要高于FCM算法。相對與FCM和FWCM，NW-FCM算法既穩(wěn)定又準確。實驗分析和結果從表中可以看到FWCM的總體準確度的方差較大，101、新加權模糊C均值聚類在聚類的