全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
| P。Tamije Selvy*诉Palanisamy博士#先生,斯里兰卡Radhai1 助理教授(SG), #本金,1 *,pg学者斯克里希纳#科技学院信息工程学院哥印拜陀。印度 |
| 通讯作者:P。Tamije Selvy,电子邮件:tamijeselvy@gmail.com |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
聚类分析是一种无监督学习技术组类似的项目为一个集群和不同的物品到另一个集群。聚类技术用于高效段MRI图像。所使用的聚类技术是模糊C (FCM)。提高准确性,蚁群优化(ACO)和粒子群优化(PSO)技术是结合聚类算法。这些性能的比较,发现FCMPSO优于FCM和FCMACO算法。
关键字 |
| 粒子群优化,模糊C意味着蚁群优化,图像分割,集群 |
介绍 |
| 图像分割成几个组成组件被称为图像分割。分割是一个几乎和自动图像识别系统的重要组成部分,因为它此刻提取对象,强度等进一步处理的描述或识别[1]。广泛用于探索性模式分析、分组、决策、机器学习情况,包括数据挖掘、文档检索和分类模式。分割的图像用于诊断许多疾病。而且任务通常是更加困难的存在噪声和工件,由于工具的局限性,重建算法和病人运动。之间的模糊聚类方法,模糊c均值(FCM)算法[5]是最受欢迎的方法用于图像分割,因为它有健壮的模糊性特点,可以保留更多的信息比硬分割方法的FCM被认为是更合适的方法分段核磁共振脑图像。因为FCM方法不产生最佳解决方案。 |
| 算法和算法的群体智慧领域的技术,可以实现集群获得近似解优化问题在合理的计算时间。PSO的能力和算法是寻找最优解决方案基于群的运动。 |
聚类算法进行图像分割 |
| 集群是一个部门的数据分组相似的对象。代表数据减少集群必然失去某些细节,但达到简化。聚类分组下的无监督学习技术,因为类标签在事先不知道。聚类质量衡量的能力发现的部分或全部隐藏的模式。有不同的集群技术,如分区为基础,基于分层的,密度为基础,基于网格的,模型的基础。在这些集群技术基于划分聚类算法选择部分大脑核磁共振图像。使用基于划分的聚类技术的优点是,它构造不同的分区,然后评估基于一些标准。不同类型的分区集群K, K medoids和模糊聚类。 |
模糊C意味着 |
| 模糊聚类也被称为软聚类、数据元素可以属于不止一个集群,并与每个元素相关联是一组会员的水平。这些关联的强度表明数据元素和一个特定的集群。模糊聚类方法对模糊逻辑操作,它提供了灵活的方法将数据点分配给集群。给出了数据点附近部分隶属程度在多个集群。模糊聚类的中心点是总数量的独特的分区中的数据簇的集合。在这个分配给每个集群成员值。有时这会员被用来决定是否数据点属于集群。使用最广泛的模糊聚类算法是模糊C (FCM)。该算法引入Bezdek。模糊性参数(m)的范围(1,n),这决定了集群的模糊程度。 FCM is a method of clustering which allows one piece of data to belong to two or more clusters. The aim of FCM is to obtain the minimized objective function. The objective function is given equation (1) |
 |
| 在m是一个实数的模糊性参数大于1。uij是一个模糊的会员资格表明样本我j集群的成员。习是第i个数据点。cj集群中心。| | xi - cj | |是习近平的距离矩阵每个集群中心采取点之间的欧氏距离和集群中心。 |
 |
蚁群优化(ACO) |
| 蚁群优化算法(ACO)是一种技术,可以应用于任何优化问题。它有助于找到好的和最短路径信息素试验升级。它是用来解决静态和动态优化问题[10]。它使用其智能行为来找到最优路径,包含metaheuristic优化。 |
| 蚂蚁有能力找到食物源之间的最短路线和巢没有视觉信息的使用,因此拥有全球模型,适应环境的变化。这种有效性的关键在于pheromone-a化学物质沉积的蚂蚁,他们旅行。信息素为蚂蚁提供相互沟通的能力。蚂蚁随机移动,但是当他们遇到信息素踪迹,他们决定是否要遵循它。如果他们这样做,他们自己存款信息素踪迹,这强化了路径。一只蚂蚁选择一条路径的概率比另一个是由潜在的利益路径上的信息素量。由于信息素,轨迹更频繁旅行的其他蚂蚁蚂蚁变得更加有吸引力的选择。随后,少了路径成为可能为其他蚂蚁路径。 |
| 随着时间的推移,一个路径上信息素的蒸发。之前建立的最理想的费洛蒙,单个蚂蚁同等数目将使用所有可能路径,存放信息素作为他们旅行。但蚂蚁采取较短的路径将首先回到巢和食物。较短的路径将最新鲜信息素因为路径信息素和尚未消失,并将更能吸引那些蚂蚁返回食物来源。然而,总是一个概率,蚂蚁不会明显的信息素轨迹。这个概率(尽管小)允许探索其他的痕迹,这是有益的,因为它允许发现短或备用路径,或新的食物来源。考虑到信息素轨迹蒸发随着时间的推移,小道将变得不那么长的轨迹检测,因为这些轨迹需要更多时间来遍历。时间越长步道将因此缺乏吸引力,这有利于整个殖民地。 |
 |
粒子群优化 |
| 粒子群优化(PSO)是一种对群体智能的算法建模,发现解决优化问题的搜索空间,或模型和预测社会行为的目标。该算法是随机,以人群为基础的计算机算法模仿群体智慧。群体智能是基于心理学的原则,并提供洞察社会行为,以及导致工程应用。1995年第一次描述了粒子群优化算法进行由詹姆斯•肯尼迪和拉塞尔·c·埃伯哈特。粒子群模拟这种社会优化。问题,和一些方法来评估一个建议的解决方案存在于适应度函数的形式。通信结构或社交网络也定义,分配为每个单独的与邻居。然后一群个体定义为随机猜测在初始化问题的解决方案。这些人是候选人的解决方案。他们也被称为粒子,因此粒子群的名称。 An iterative process to improve these candidate solutions is set in motion. The particles iteratively evaluate the fitness of the candidate solutions and remember the location where they had their best success. The individual's best solution is called the particle best or the local best. Each particle makes this information available to their neighbors. They are also able to see where their neighbors have had success. Movements through the search space are guided by these successes, with the population usually converging, by the end of a trial, on a problem solution better than that of non-swarm approach using the same methods. Each particle represents a candidate solution to the optimization problem. The position of a particle is influenced by the best position visited by itself i.e. its own experience and the position of the best particle in its neighborhood i.e. the experience of neighboring particles. When the neighborhood of a particle is the entire swarm, the best position in the neighborhood is referred to as the global best particle, and the resulting algorithm is referred to as the gbest PSO. When smaller neighborhoods are used, the algorithm is generally referred to as the lbest PSO. The performance of each particle is measured using a fitness function that varies depending on the optimization problem. Each Particle in the swarm is represented by the following characteristics: |
| 1。当前位置的粒子 |
| 2。当前粒子的速度 |
| 粒子群优化是一个最新的进化优化技术使用人口的粒子进行搜索。 |
| 在每个步骤中,粒子的操纵andpbest和gb位置确定迭代t按照下列方程(2)和(3) |
 |
| 这里问题的优化是通过迭代更新方程(2)和(3),迭代的终止准则确定是否健身的最大代或指定的值。 |
模糊粒子群OPTIMIZATON |
| FCM算法在局部最优解,因此使用PSO优化的方法。FCM是结合PSO和被称为FCMPSO。 |
 |
| 表1的性能结果表明,FCMPSO提供(Se)的敏感性为84.7%,特异性(Sp)的95.3%和93.1%的准确性(Acc) FCM和TVFCM相比,是图2所示的结果。 |
 |
结论 |
| 在本文中,提出了集群技术和优化的聚类。拟议的方法测量的性能和显示FCMPSO算法执行更好的FCM和FCMACO相比。- - - - - - |
 |
引用 |
|