基于 M 估计的模糊 C-均值聚类的惩罚约束与核化
计算机视觉与模式识别
2013-01-22 v2 统计计算
摘要
提出了一种基于迭代重加权最小二乘 (IRLS) 算法的基于 M 估计的模糊 C-均值聚类 (MFCM) 算法框架，并开发了 MFCM 算法的惩罚约束和核化扩展。通过将惩罚信息引入 MFCM 算法的目标函数，将空间约束模糊 C-均值 (SFCM) 扩展为惩罚约束 MFCM 算法（简称 pMFCM）。用核方法替代欧氏距离，将 MFCM 和 pMFCM 算法扩展为核化 MFCM（简称 KMFCM）和核化 pMFCM（简称 pKMFCM）算法。在三项任务中评估了 MFCM、pMFCM、KMFCM 和 pKMFCM 算法的性能：基于 UCI 机器学习数据库的 10 个标准数据集的模式识别、合成图像和磁共振脑图像 (MRI) 的噪声图像分割性能，以及基于 Berkeley 分割数据集和基准的标准图像分割。实验结果证明了所提算法在模式识别和图像分割中的有效性。
引用
@article{arxiv.1207.4417,
title = {Penalty Constraints and Kernelization of M-Estimation Based Fuzzy C-Means},
author = {Jingwei Liu and Meizhi Xu},
journal= {arXiv preprint arXiv:1207.4417},
year = {2013}
}