基于動(dòng)態(tài)小生境的人工魚群聚類算法及其在目標(biāo)分割中的應(yīng)用.pdf

1、聚類分析一直以來都是一個(gè)非常重要的研究領(lǐng)域，并被廣泛應(yīng)用在信號(hào)處理，圖像處理，數(shù)據(jù)挖掘，模式識(shí)別等領(lǐng)域。所謂聚類就是將給定的樣本集根據(jù)我們實(shí)際問題中的需要設(shè)計(jì)一定的規(guī)則來分成一定數(shù)目的類別，使具有相似特征的樣本之間的距離盡量小，不相似的樣本之間的距離盡量大，也就是所謂的類內(nèi)相似，類間相異性。目前傳統(tǒng)的聚類算法例如Kmeans算法，F(xiàn)CM算法，以及meanshift算法雖然在聚類效果和運(yùn)算效率上都已經(jīng)達(dá)到很好的性能，但是統(tǒng)一存在的一個(gè)問題

2、就是需要預(yù)先設(shè)定類別中心的個(gè)數(shù)。本文主要對(duì)基于人工魚群的智能聚類算法展開研究，目標(biāo)是實(shí)現(xiàn)對(duì)聚類問題類別中心和類別數(shù)的自動(dòng)估計(jì)，取得的創(chuàng)新性研究成果包括:
　　(1)提出了一種基于動(dòng)態(tài)小生境的人工魚群聚類算法，該算法通過對(duì)魚群的不斷進(jìn)化，可以同時(shí)獲得聚類問題的類別數(shù)和類別中心。該算法采用一種更為簡便的個(gè)體描述方式，即每個(gè)個(gè)體代表一個(gè)區(qū)域中心，通過動(dòng)態(tài)的對(duì)魚群劃分為幾個(gè)小生境而獲得類別數(shù)。通過實(shí)驗(yàn)仿真可見，所提聚類算法的有效性。并將該

3、算法應(yīng)用于圖像分割問題，可以有效的實(shí)現(xiàn)對(duì)圖像的自動(dòng)分割。
　　(2)對(duì)算法中魚群的行為模式進(jìn)行了改進(jìn)，通過引入人工魚記憶功能改變了傳統(tǒng)人工魚群算法中人工魚只有一個(gè)指導(dǎo)方向的傳統(tǒng)行為方式，使得人工魚在自身記憶中的最好方向及行為選擇方向兩個(gè)方向的指導(dǎo)下進(jìn)行游動(dòng)。減少了人工魚在游動(dòng)過程中局部震蕩的現(xiàn)象，加快了算法的收斂速度，從而增加了算法的魯棒性和穩(wěn)定性。
　　(3)最后本文基于以上提出的聚類算法通過使用分割后的圖像結(jié)合空間加權(quán)的