导读:本文包含了模糊均值算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模糊,均值,算法,图像,直方图,磁共振,组合。
模糊均值算法论文文献综述
曾四鸣,程慧,程超,李建芬[1]（2019）在《基于改进的模糊C均值算法电力负载预测研究》一文中研究指出为了提高电力负荷预测的精度,将天气、日期因素纳入到了计算的范畴中来,使用基于模糊聚类的对相似日进行选取,得出该日的短期电力负荷预测模型。本文算法将天气、日期因素建立起模糊系数特性映射表,实现了对应影响因素的量化处理,便于算法的实现。然后,使用模糊聚类算法对相关的数据进行分类,因为使用了相似日,因此,样本的数量得以大大减少,提高了算法的速度和准确度。本文的是力负荷模型将天气、日期考虑进了电力负荷预测影响的因素中去,减少了算法在预测上的随机性。仿真实验结果证明了该算法拥有更高的预测精度。(本文来源于《科技通报》期刊2019年10期）
姚美琴,胡黄水,王出航,韩优佳[2]（2019）在《无线传感网能量约束模糊c-均值聚类算法》一文中研究指出引入能量限制项来提高聚类算法对能量的敏感性。在聚类过程中,最优聚类数由cos指数的最大值决定。仿真结果表明,与LEACH算法相比,该算法能够获得合理的簇头节点分布,延迟了第一个节点的死亡时间。延长了网络生命周期,平衡节点的能耗。(本文来源于《长春工业大学学报》期刊2019年05期）
张贵,丁云飞[3]（2019）在《改进加权模糊C均值算法的风电变压器故障诊断》一文中研究指出风电变压器作为风力发电系统中电能传输和转换的枢纽设备之一,其安全稳定运行是电网可靠性的重要保障。为提高变压器故障诊断准确度,提出了基于改进加权模糊C均值(FCM)算法的风电变压器故障诊断方法。相比于一般的加权FCM算法,特征加权FCM算法使用固定的特征权重,该方法通过在训练阶段动态更新特征权重,使得不同比重的特征能够体现样本各维度在聚类效果中所起作用的大小。建立基于改进加权FCM算法的风电变压器故障诊断模型,充分考虑了不同比重特征对聚类结果的不同影响,能有效改善复杂数据集的聚类性能。实例研究结果表明:该方法有效地提高了故障诊断的准确率,弥补了传统FCM固定权重分配的不足。(本文来源于《上海电机学院学报》期刊2019年04期）
朱占龙,刘永军,赵战民,郑一博[4]（2019）在《用于分割无损检测图像的改进的抑制式模糊C均值聚类算法》一文中研究指出由于无损检测图像灰度分布不均衡,常用的模糊C均值聚类算法不能对图像中的目标与背景进行有效分割,故提出一种改进的抑制式模糊C均值聚类算法(IS-FCM)对无损检测图像进行分割。通过对抑制式模糊C均值聚类算法(S-FCM)的目标函数融入每一类的总隶属度以均衡化目标像素和背景像素对聚类结果的影响,在构建的新目标函数基础上推导出新的隶属度和聚类中心迭代形式,然后分析了所提算法的收敛性并给出了执行步骤,最后通过无损检测图像对所提算法进行分割实验。结果表明,IS-FCM算法不仅能够对灰度分布不均衡的无损检测图像进行有效分割,还扩展了S-FCM算法的应用范围,增强了鲁棒性和适应性。(本文来源于《仪器仪表学报》期刊2019年08期）
张玉柱,王传兵[5]（2019）在《基于先验知识和模糊C均值聚类算法的脑部磁共振图像分割研究》一文中研究指出目的:提出一种基于先验知识引导的模糊C均值算法(PIGFCM),并将其应用于脑部磁共振(MR)图像分割。方法:采用基于高斯分布的图像先验知识获取初始聚类中心;采用改进PIGFCM聚类算法进行图像分割,得到MR脑部分割图像;采用Dice相似性系数、均方根误差(RMSE)和平均耗时评价不同算法的分割效果。结果:对于人工合成的脑部MR图像分割算法所得的Dice相似性系数可达0.87～0.98,平均耗时降低了0.17～0.81倍。对于临床实例MR图像分割算法所得脑白质和灰质的Dice相似性系数较其他算法分别提升12.8%～16.6%和1.1%～40.4%,RMSE下降了0.63～0.94倍,平均耗时降低了0.08～0.75倍。结论:提出PIGFCM算法收敛速度快,较其他常见模糊算法获得更高的分割精度、更强的抗噪性和更快的分割速度,是一种可行的脑部MR图像分割算法。(本文来源于《中国医学装备》期刊2019年07期）
孟凡军,李树军,潘宗鹏,孙亦成,李忠盼[6]（2019）在《加权模糊C均值聚类算法实现BDS叁频组合观测值优选》一文中研究指出在对BDS叁频载波相位组合观测值进行误差分析的基础上,确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足,采用一种基于加权的模糊C均值聚类算法,通过对同一维度在不同簇上赋予不同的权重值,对传统遍历搜索法所获得的部分BDS叁频载波相位组合观测值进行了优化分类选取,有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题,同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析,确定了各类组合观测量的适用范围,并结合实测数据,利用无几何层迭模糊度解算方法对优选组合进行了整周模糊度的解算,结果验证了该方法的可行性。(本文来源于《国防科技大学学报》期刊2019年03期）
兰蓉,林洋[7]（2019）在《抑制式非局部空间直觉模糊C-均值图像分割算法》一文中研究指出针对传统的模糊C-均值(FCM)算法没有考虑图像像素的空间邻域信息,对噪声敏感,算法收敛较慢等问题,该文提出一种抑制式非局部空间直觉模糊C-均值图像分割算法。首先,通过计算像素的非局部空间信息提高抗噪能力,克服传统的FCM算法只考虑图像单个像素的灰度特征信息的缺陷,提高分割精度。其次,根据直觉模糊集理论,通过"投票模型"自适应生成犹豫度作为抑制因子修正隶属度,提高算法的运行效率。实验结果表明,该算法对噪声鲁棒性较强并且有较好的分割性能。(本文来源于《电子与信息学报》期刊2019年06期）
刘晏明,易鑫,李超[8]（2019）在《基于模糊C均值聚类的比色传感器阵列图像分割算法》一文中研究指出结合当前比色传感器阵列多样性、不稳定等特点,并针对当前现有的阵列图像分割算法中或者效率低,或者易受光照环境影响等现状,本文在模糊C均值聚类算法基础上,提出了一种图像分割算法.该算法首先通过HSI颜色空间下I分量在行、列投影实现图像网格划分,并结合局部阵列点图像的平滑直方图信息解决了FCM算法聚类条件初始化的难题.其次,为了提高阵列点图像分割结果的准确度,该算法通过目标函数引入了不同权重系数的H分量和I分量,实现了色彩信息的引入.通过图像分割效果测试,本文所提出的图像分割算法在所有阵列点图像分割中展示了96.54%的总体最优分割精度,可以有效、准确地实现比色传感器阵列图像的目标提取.(本文来源于《计算机系统应用》期刊2019年06期）
鲁明,王彬,刘东儒,胡颖雁[9]（2019）在《基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究》一文中研究指出通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。(本文来源于《湖北汽车工业学院学报》期刊2019年02期）
蒋燕,吴洋,栾毅,周彬彬,赵珍玉[10]（2019）在《基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究》一文中研究指出电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。(本文来源于《电气自动化》期刊2019年03期）
模糊均值算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
引入能量限制项来提高聚类算法对能量的敏感性。在聚类过程中,最优聚类数由cos指数的最大值决定。仿真结果表明,与LEACH算法相比,该算法能够获得合理的簇头节点分布,延迟了第一个节点的死亡时间。延长了网络生命周期,平衡节点的能耗。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊均值算法论文参考文献
[1].曾四鸣,程慧,程超,李建芬.基于改进的模糊C均值算法电力负载预测研究[J].科技通报.2019
[2].姚美琴,胡黄水,王出航,韩优佳.无线传感网能量约束模糊c-均值聚类算法[J].长春工业大学学报.2019
[3].张贵,丁云飞.改进加权模糊C均值算法的风电变压器故障诊断[J].上海电机学院学报.2019
[4].朱占龙,刘永军,赵战民,郑一博.用于分割无损检测图像的改进的抑制式模糊C均值聚类算法[J].仪器仪表学报.2019
[5].张玉柱,王传兵.基于先验知识和模糊C均值聚类算法的脑部磁共振图像分割研究[J].中国医学装备.2019
[6].孟凡军,李树军,潘宗鹏,孙亦成,李忠盼.加权模糊C均值聚类算法实现BDS叁频组合观测值优选[J].国防科技大学学报.2019
[7].兰蓉,林洋.抑制式非局部空间直觉模糊C-均值图像分割算法[J].电子与信息学报.2019
[8].刘晏明,易鑫,李超.基于模糊C均值聚类的比色传感器阵列图像分割算法[J].计算机系统应用.2019
[9].鲁明,王彬,刘东儒,胡颖雁.基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究[J].湖北汽车工业学院学报.2019
[10].蒋燕,吴洋,栾毅,周彬彬,赵珍玉.基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究[J].电气自动化.2019
论文知识图
