精华内容
下载资源
问答
  • 星座图减法聚类

    2013-09-25 22:49:27
    matlab中的减法聚类程序,可以进行减法聚类的仿真
  • Stokes空间中基于减法聚类的调制格式识别
  • 针对模糊c-均值(FCM)聚类算法受初始聚类中心影响,易陷入局部最优,以及算法对孤立点数据敏感的问题,提出了解决方案:采用快速减法聚类算法初始化聚类中心,为每个样本点赋予一个定量的权值,用来区分不同的样本...
  • 减法聚类的多分量线性调频信号检测与参数估计算法
  • 减法聚类算法结合RBFNN用于涡流检测中的缺陷检测与识别
  • -均值聚类各自的优点, 运用减法聚类自适应地确定模糊??-均值聚类(FCM) 的 初始聚类数; 然后, 提出了改进的紧密性函数, 以此改进用于确定FCM聚类结构的有效性函数. 改进后的紧密性函数 将对聚类结果贡献不大的...
  • 基于人工侧线系统和减法聚类算法的机器人鱼游泳步态模式识别。
  • 基于PRM和减法聚类算法的Mamdani型模糊系统构建的鲁棒性新方法
  • 线减法聚类能实时跟踪工况的特性与RBF 网络参数学习过程相结合, 使得网络既能在线适应实时对象的变化又能 维持紧凑的结构, 有效地解决了RBF 神经网络结构自组织问题. 该算法只调整欧氏距离距实时工况最近的核...
  • 图 Matlab的减法聚类subclust函数对随机生成数据的定位效果%m文件% generate k cluseters data and locate by subtractiveclustering% copyright by sunzhihai@HDU2012.8.6function data3clustersdata_n=30;...

    a4c26d1e5885305701be709a3d33442f.png

    图 Matlab的减法聚类subclust函数对随机生成数据的定位效果

    %m文件

    % generate k cluseters data and locate by subtractive

    clustering

    % copyright by sunzhihai@HDU

    2012.8.6

    function data3clusters

    data_n=30;

    k=3; %initialization the number of data and the clusters of data

    C=rand(k,2);% rand initialization the centers of clusters

    data1=10.*repmat(C(1,:),data_n,1)+randn(data_n,2)./10;

    data2=10.*repmat(C(2,:),data_n+10,1)+randn(data_n+10,2)./10;

    data3=10.*repmat(C(3,:),data_n+20,1)+randn(data_n+20,2)./10;

    data=[data1;data2;data3]; %数据生成

    plot(data(:,1),data(:,2),'*'); %绘制生成的数据

    hold on

    [C,S]=subclust(data,[0.25,0.2]); %减法聚类

    plot(C(:,1),C(:,2),'ro') %绘制聚类中心

    %给聚类中心绘制椭圆

    for l=1:k

    hold

    on

    PlotEllipse(C(l,1),C(l,2),0.25,0.2,0) %椭圆绘制函数

    end

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

    几个问题有待进一步研究:

    上下限阈值参数的自适应确定?

    邻域半径的确定?

    数据尺度及方向能否进一步调整?

    能否非线性数据的聚类问题?

    感兴趣的同学,欢迎一起讨论。eeszh(@)163.com

    展开全文
  • 减法聚类与fcm融合的程序 利用强大的图像处理软件 matlab 实现的
  • 一种基于遗传算法的减法聚类方法,很有科学型的论文哦~~
  • 协同过滤是迄今为止个性化推荐系统中采用最广泛最成功的推荐技术,但现有方法是将用户不同时间的兴趣等同考虑,时效性不足,而且推荐精度也有待进一步提高。鉴于此提出一种改进的协同过滤算法,针对用户近邻计算和...
  • MATLAB应用技术 清华大学出版社 模糊 系统演示程序 卡车倒车控制 sltbu 水位控制(得用规则观测器) sltankrule 水位控制 sltank ...invkine 魔球演示 juggler 使用减法聚类的ANFIS演示 gasdemo FCM聚类方法演示(二维...

    MATLAB应用技术 清华大学出版社 模糊 系统演示程序 卡车倒车控制 sltbu 水位控制(得用规则观测器) sltankrule 水位控制 sltank 倒立摆控制 slcp 球棒控制 slbb 自适应噪声对消 noisedm FCM聚类演示(四维) irisfcm 机械臂的倒置 invkine 魔球演示 juggler 使用减法聚类的ANFIS演示 gasdemo FCM聚类方法演示(二维) fcmdemo 去模糊方法 defuzzdm 功能 函数 6.2.2 MATLAB命令行函数使用 1、隶属度函数 (1)dsigmf 功能:由两个S形隶属度函数的差构成的隶属度函数。 格式:y=dsigmf(x,[a1 c1 a2 c2]) (2)Gauss2mf 功能:联合高斯(Gaussian)型隶属函数 格式:y=gauss2mf(x,[sig1 c1 sig2 c2]) (3)gaussmf 功能:高斯(Gaussian)型隶属度函数。 格式:y=gaussmf(x,[sig c]) (4)gbellmf 功能:广义钟形隶属度函数。 格式:y=gbellmf(x,params) (5)primf 功能:Ⅱ形隶属度函数。 格式:y=pimf(x,[a b c d]) (6)psigmf 功能:由两个S形隶属度函数的积成的隶属度函数。 格式:y=psigmf(x,[a1 c1 a2 c2]) (7)smf 功能:S状隶属度函数。 格式:y=smf(x,[a b]) (8)Sigmf 功能:S形隶属度函数。 格式:y=sigmf(x,[a c]) (9)trapmf 功能:梯形隶属度函数。 格式:y=trapmf(x,[a b c d]) (10) trimf 功能:三角形隶属度函数。 格式:y=trimf(x,params) y=trimf(x,[a b c]) (11) zmf 功能:Z形隶属度函数。 格式:y=zmf(x,[a b]) 2.FIS数据结构管理 (1)addmf 功能:隶属度函数添加到FIS(模糊推理系统)。 格式:a=addmf(a,′varType′,varIndex,′mfName′,′mfType′,mfParams) (2)addrule 功能:在FIS中添加规则。 格式:a=addrule(a,ruleList) (3)addvar 功能:在FIS中添加变量: 格式:a=addvar(a, ′varType′, ′varName′,varBounds) (4)defuzz 功能:反模糊化的隶属度函数。 格式:out=defuzz(x,mf,type) (5)evalfis 功能:完成模糊推理计算。 格式:output=evalfis(input,fismat) Output=evalfis(input,fismat,numPts) [output,IRR,ORR,ARR]=evalfis(input,fismat) [output,IRR,ORR,ARR]=evalfis(input,fismat,numPts) (6)evalmf 功能:普通隶属度函数的计算。 (7)gensurf 功能:产生FIS输出曲面。 (8)getfis 功能:获取模糊系统的特性。 (10)newfis 功能:建立新的FIS. 格式:a=newfis(fisName,fisType,andMethod,orMethod,impMethod, aggMethod,defuzzMethod) (9)mf2mf 功能:在隶属度函数之间进行参数变换。 格式:outParams=mf2mf(inParams,inType,outType) (11) parsrule 功能:模糊规则解析。 格式:fis2=parsrule(fis,txtRuleList) fis2=parsrule(fis,txtRuleList,ruleFormat) fis2=parsrule(fis,txtRuleList,ruleFormat,lang) (12)plotfis 功能:绘图表示FIS。 格式:plotfis(fismat) (13)plotmf 功能:绘制出给定变量的所有隶属度函数。 格式:plotmf(fismat,′varType′,varIndex) (14)readfis 功能:从磁盘中装入FIS。 格式:fismat=raedfis(′filename′) (15)rmmf 功能:从FIS中删除隶属度函数。 格式:fis=rmmf(fis,′varType′,varIndex,′mf′,mfIndex) (16) rmvar 功能:从FIS中删除变量。

    展开全文
  • 减法聚类是山峰聚类的改进,它避免了山峰聚类中出现的计算量随样本维数增加呈指数增长的情况。但减法聚类对处理大样本集也力不从心。引入了P-tree数据结构,对高维大样本集进行分解,然后用减法聚类对子样本集进行...
  • KdTree密度聚类算法

    2019-09-26 17:20:19
    第一种方法叫做密度减法聚类功能:能识别特定尺寸的点云簇集合,通过参数设置期望形状的大小。输入:一片点云输出:是几个聚类完成的点簇和聚类中心点类别不需要提前设定,最终聚成几类由初始参数决定。论文 3D ...

    参考博客:https://blog.csdn.net/zhubaohua_bupt/article/details/70194047

    第一种方法叫做密度减法聚类
    功能:能识别特定尺寸的点云簇集合,通过参数设置期望形状的大小。
    输入:一片点云
    输出:是几个聚类完成的点簇和聚类中心点
    类别不需要提前设定,最终聚成几类由初始参数决定。
    论文  3D Candidate Selection Method for Pedestrian Detection on Non-Planar Roads 用其来提取行人的ROI。

    第二种方法叫做自适应密度聚类
    功能:可以寻找出每个点云的三维连通域,不需要设置形状和大小参数。
    输入:一片点云
    输出:每个点云所在的连通域以及此点云集合一共有多少连通域。
    类别不需要提前设定,最终聚成几类由连通规则中参数决定。
    论文 一种聚类与滤波融合的点云去噪平滑方法  和  密度聚类算法在连续分布点云去噪中的应用 用这种聚类方法来对点云去噪。

    下面只介绍自适应密度聚类,用于定位面积变化的物体

    这种方法就是实际上就是三维连通域检测。聚类最后的输出是若干块三维连通域。和上一种方法不一样,这种聚类方法不需要设置新装参数,输出的每块连通域的大小不一定相等。下面给出这种 方法的流程图:

                                         

     

    图 4  自适应密度聚类算法流程

    此算法寻找连通域的步骤对应于流程图的第二至第三个判断条件组成的循环体。每循环一次,生成一个新的三维连通域。

    密度定义 :此方法没有对密度定义,而是定义了一个类似密度的核心对象:是在点云空间范围内,如果离点p的欧式距离小于e的其他点云数大于一个值Minpts,就认为点p是核心对象。

    那么为什么称这种方法叫自适应密度聚类呢?

    答案是,聚类它可以根据点云自适应求出半径参数e和点数Minpts,不需要自己提前设定,当然自己也可以提前设定。

    怎么求参数e和Minpts呢?

    引用原文的话:


    在上述密度聚类步骤中,初始半径e 和最小邻域数MinPts均为自定义参数。参数初始值设置好后,需要根据聚类效果不断调整这两个参数以获得最好的聚类效果,比较耗时。为了解决这一问题,本文提出一种自适应参数计算方法。

                                                                                             (1)

    【1】首先,根据式(1) 计算任意两点之间的欧式距离1。

    然后根据式( 2)-式( 3) 求得dist(i,j ) 的最大值maxdist 和最小值mindist。axdist = Max{dist( i,j)| 0 ≤ i < n,0 ≤ j < n}                    ( 2)

                                                                          mindist = Min{dist( i,j )| 0 ≤ i < n,0 ≤ j < n}                  ( 3)

    【2】进而根据式( 4) 求得距离间隔distrange。

                                                                          distrange = maxdist -mindist                                            ( 4)

    其中,n 表示点的数目。将距离间隔等距分为十段,统计dist(i,j)在每段范围内的频数,初始半径e 的值即为erang 所在分段的中值。erang 的计算公式如式( 5)所示。

                                                                           erang = Max{pk | 0 ≤ k < 10}                                            (5)

    【3】初始半径e 确定后,根据e 逐步增大最小邻域数目MinPts,计算邻域超过最小邻域数目的点的数目pNum(计算公式如式( 7)所示) 。随着最小邻域数目的增加,pNum 会逐渐减少并趋于稳定,选择拐点所在的最小邻域数目作为MinPts。其中,对于任意给定点p 的邻域点数目pNumi的计算如式( 6)所示。

                                                                           pNumi = count{dist( i,j)< e | 0 ≤ j < n}                           ( 6)

    那么:                                                               pNum = count{ pNumi ≥ MinPts |0 ≤ i < n}                       ( 7)

    通过该方法可以实现初始半径和最小邻域数的自动选择,进而避免这两个参数的反复设置。

     

    转载于:https://www.cnblogs.com/2Bthebest1/p/10909177.html

    展开全文
  • 该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据...
  • 结合减法聚类和模糊C均值聚类,提出了一种改进型聚类算法,加快了收敛速度.利用改进后的算法对模糊系统输入或输出的样本集聚类,对聚类结果采Trust-Region法拟合高斯型和S型函数,以实现模糊系统输入、输出空间的划分和...
  • 通过将减法聚类与最大-最小距离均值相结合,提出了最大距离法(MDM)来确定聚类中心。 然后,分别给出了改进的SAM(ISAM)和MDM的相应步骤,通过对基因表达数据进行实验比较说明了它们的优越性和稳定性。 最后,...
  • 第一种方法叫做密度减法聚类功能:能识别特定尺寸的点云簇集合,通过参数设置期望形状的大小。输入:一片点云输出:是几个聚类完成的点簇和聚类中心点类别不需要提前设定,最终聚成几类由初始参数决定。论文  ...

    基于密度的点云聚类算法可以识别三维点云物体,也可以对三维点云去噪处理。

    本文研究了两种基于密度的点云聚类方法,先简单介绍一下两种算法,后面会详细的介绍算法原理以及效果。
    第一种方法叫做密度减法聚类
    功能:能识别特定尺寸的点云簇集合,通过参数设置期望形状的大小。
    输入:一片点云
    输出:是几个聚类完成的点簇和聚类中心点
    类别不需要提前设定,最终聚成几类由初始参数决定。
    论文  3D Candidate Selection Method for Pedestrian Detection on Non-Planar Roads 用其来提取行人的ROI。
    第二种方法叫做自适应密度聚类
    功能:可以寻找出每个点云的三维连通域,不需要设置形状和大小参数。
    输入:一片点云
    输出:每个点云所在的连通域以及此点云集合一共有多少连通域。
    类别不需要提前设定,最终聚成几类由连通规则中参数决定。

    论文 一种聚类与滤波融合的点云去噪平滑方法  和  密度聚类算法在连续分布点云去噪中的应用 用这种聚类方法来对点云去噪。

    下面来分别详细介绍一下两种方法。

    一:第一种方法  密度减法聚类

    先看一下流程,这里说明一下,为了提高速度,我们在聚类的时候没有直接对稠密的处理,而是先采样生产稀疏点云,旨在提速。

    图一      本方法流程图


    1 此方法对密度定义

    公式9中rax,ray和raz就是那个你想要设置的聚类形状参数。可以看出

    <1> 对于一个特定的三维点,离其越近的点对它的密度加成越大。

    <2>从求和符号可以看出,它是遍历所有三维点。

    2 再看公式(10),这个公式是这个算法的核心


    Di表示检测出的一定聚类中心和一定不是聚类中心的其他三维点的密度,xi,yi,zi为其坐标,rbx,rby,rbz为用于跟更新Di密度的半径参数。Dcl为上一次聚类中心的密度。xcl,ycl,zcl为其坐标。

    为什么要搞这么一个公式呢?

    因为聚类的目的是想得到几个密度比较大的点簇,是为了避免多个聚类中心集中在一起。举个例子,你面前有几个人而且你有他们的点云,你想通过聚类把这几个人分出来,他们体型相差很大比如,这些人中有人身宽体胖的人,有人身材比较瘦小,你的本意是想把这几个人都识别出来。回到算法中,看流程图,如果我们每此检测下一次聚类中心的时候去掉了更新所有点云这一步骤,那么那个胖的人身上一定会被聚类成好多个聚类中心。

    说白了,公式10起到这样一个作用:凡是离上次刚得到的聚类中心近的点,它们的密度都会被削减,削减影响的范围由rbx,rby,rbz控制。rb参数的选取一般要大于ra参数,论文中取rbm=1.5ram  m=x,y,z;

    3 最终聚类点簇的大小差异控制

    这部分参数也是本方法的一个重要的参数,因为它们控制着最终聚类结果中每个点簇的大小,以及最大点簇和最小点簇的密度差异有多大。

    具体参数有:Thmax,Thmin,ra,cnt和公式9中的半径参数。

    其中,公式中的半径参数控制着聚类物体的大概三维尺寸(椭球)

    Thmax:当一个候选聚类中心的密度大于第一个聚类中心密度的Thmax倍,直接就接纳此聚类中心。

    Thmin:当一个候选聚类中心的密度小于第一个聚类中心密度的Thmin倍,直接把对应三维点拉黑,以后再也不用,并认为它不会是聚类中心。

    ra:此参数控制相邻聚类中心的距离,选取的越大,生成的聚类中心间隔越大。

    最后,流程图还剩一个参数dmin,这个参数的含义是:本候选聚类中心到其他聚类中心距离中的最小值。

    原理部分就说这么多,下面来看一下效果,我暂用它来检测一个桶:参数设置好后,效果如下(当然,这种方法还是有缺陷的,即只能检测形状,其他和桶三维大小差不多的物体也会被检测出来):


    图2 输入: 选取的一定高度的稀疏点云(上方也会有几个,是因为我们点云数据不太准确,会有一些噪点)


    图3        聚类输出(不同颜色表示不同点簇,聚类中心用大圆点表示)

    第二种:自适应密度聚类

    这种方法就是实际上就是三维连通域检测。聚类最后的输出是若干块三维连通域。和上一种方法不一样,这种聚类方法不需要设置新装参数,输出的每块连通域的大小不一定相等。下面给出这种 方法的流程图:


    图 4  自适应密度聚类算法流程

    此算法寻找连通域的步骤对应于流程图的第二至第三个判断条件组成的循环体。每循环一次,生成一个新的三维连通域。

    密度定义 :此方法没有对密度定义,而是定义了一个类似密度的核心对象:是在点云空间范围内,如果离点p的欧式距离小于e的其他点云数大于一个值Minpts,就认为点p是核心对象。

    那么为什么称这种方法叫自适应密度聚类呢?

    答案是,聚类它可以根据点云自适应求出半径参数e和点数Minpts,不需要自己提前设定,当然自己也可以提前设定。

    怎么求参数e和Minpts呢?

    引用原文的话:

    在上述密度聚类步骤中,初始半径e 和最小邻域数MinPts均为自定义参数。参数初始值设置好后,需要根据聚类效果不断调整这两个参数以获得最好的聚类效果,比较耗时。为了解决这一问题,本文提出一种自适应参数计算方法。

    (1)

    首先,根据式(1) 计算任意两点之间的欧式距离1。

    然后根据式( 2)-式( 3) 求得dist(i,j ) 的最大值maxdist 和最小值mindist,maxdist = Max{dist( i,j)| 0 ≤ i < n,0 ≤ j < n} ( 2)

    mindist = Min{dist( i,j )| 0 ≤ i < n,0 ≤ j < n} ( 3)

    进而根据式( 4) 求得距离间隔distrange。

    distrange = maxdist -mindist                    ( 4)

    其中,n 表示点的数目。将距离间隔等距分为十段,统计dist(i,j)在每段范围内的频数,初始半径e 的值即为erang 所在分段的中值。erang 的计算公式如式( 5)所示。

    erang = Max{pk | 0 ≤ k < 10}             (5)

    初始半径e 确定后,根据e 逐步增大最小邻域数目MinPts,计算邻域超过最小邻域数目的点的数目pNum(计算公式如式( 7)所示) 。随着最小邻域数目的增加,pNum 会逐渐减少并趋于稳定,选择拐点所在的最小邻域数目作为MinPts。其中,对于任意给定点p 的邻域点数目pNumi的计算如式( 6)所示。

    pNumi = count{dist( i,j)< e | 0 ≤ j < n} ( 6)

    那么:

    pNum = count{ pNumi ≥ MinPts |0 ≤ i < n} ( 7)

    通过该方法可以实现初始半径和最小邻域数的自动选择,进而避免这两个参数的反复设置。


    下面给出这种方法的效果:

    测试说明:

    输入:用深度相机获得的半稠密点云,如图3

    输出:聚类结果图,如图4,图5,去噪图,如图6。



    图 5带有噪声的点云图


    图6 聚类结果图(所有的核心对象,颜色不同,所属类别不同)


    图7 聚类结果图(聚类后的非核心对象密度小,认为是噪声)


    图8 点云经过聚类去噪图

    可以看出,这种去噪方法还不错,缺点是计算量较大,实时性难以满足。i7-6700的笔记本上一秒3帧左右。

    展开全文
  • 该算法首先通过分析初始均衡算法输出的星座图信息,再使用减法聚类获得粗略的星座图轮廓,最后采用模糊C-均值(FCM)聚类进行二次处理,以获得精准的星座图信息。若所得星座图符合判断标准则切换至后续算法完成均衡...
  • 提出了一种基于减法聚类-自适应模糊神经网络(ANFIS)的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真...
  • MATLAB-模型模糊神经网络预测控制demo

    千次阅读 2019-12-20 16:50:14
    目录减法聚类方法从数据生成FIS结构 genfis2自适应神经模糊推理系统DEMO:anfis参考 减法聚类方法从数据生成FIS结构 genfis2 tripdata figure,plot(datin) a=genfis2(datin,datout,0.45); figure,plotfis(a); figure...
  • based Fuzzy Inference System,ANFIS)网络原理和方法对行程时间预测的可行性和可靠性,采用最小二乘法和误差反传算法结合的混合学习算法,减少了搜索空间的维数,而采用的减法聚类方法减少了模糊推理规则.混合学习算法...
  • 这里我们可以将最近一次投资时间与提数日做减法(这里选择了2016年7月20日为提数日),然后用DATEDIF这个隐形函数来计算“最近一次投资时间距离提数日天数”,记得要+上1.②消费频率。用月均投资次数来表示是最好的,...
  • 由于模糊C-均值聚类算法聚类效果差等不足,采用减法聚类算法与模糊C-均值聚类算法结合对T-S模糊模型的前件进行辨识。由于后件辨识精度小,采用最小二乘法对模型的后件进行辨识。仿真结果表明,该数学模型均方根误差...
  • 先利用盲均衡技术克服信道的多径效应与系统同步误差,再对信号减法聚类,提取聚类中心与理 想星座图模型进行匹配,从而实现MASK、MPSK、MQAM 等调制方式的识别。仿真证明:星座 图是一个稳定的、强健的识别标志
  • 提取视频烟雾特征,通过减法聚类和混合学习算法,确定并优化得到ANFIS实例,引入贝叶斯决策对ANFIS输出进行检测判别。仿真实验表明,ANFIS比其他烟雾检测算法具备更好的检测性能,而基于最小风险的贝叶斯决策可...

空空如也

空空如也

1 2 3
收藏数 56
精华内容 22
关键字:

减法聚类