论文基于动态粒子群优化和Kmeans聚类图像分割算法是关于聚类方面的论文题目、论文提纲、聚类算法论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
摘 要： 为了解决K?means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化（DPSO）和K?means聚类的图像分割算法（DPSOK）.通过动态调整惯性系数和学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K?means算法时机;随后,将DPSO输出结果用来初始化K?means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K?means的聚类中心不断更新,直到收敛.实验结果表明,DPSOK能有效提高K?means的全局搜索能力,在图像分割中它比K?means,PSO获得了更好的分割效果,且和粒子群优化和K?means算法相比, DPSOK算法具有更高的分割质量和效率.
关键词： 图像分割; 动态粒子群优化; K?means聚类; 适应度方差; 聚类算法; DPSOK
中图分类号： TN911.73?34; TP391 文献标识码： A文章编号： 1004?373X（2018）10?0164?05
Abstract： An image segmentation algorithm based on dynamic particle swarm optimization and K?means clustering （DPSOK） is proposed to resolve the problems that the image segmentation quality of K?means clustering algorithm overly relies on the selection of initial clustering center, and it is easy for the algorithm to fall into the local optimal solution. The performance of the particle swarm optimization （PSO） algorithm is enhanced by dynamically adjusting the inertia coefficient and the learning factor. The variance of the particle swarm adaptability is calculated, and the timing of switching to the K?means algorithm is captured. The output results of dynamic particle swarm optimization （DPSO） are used to initialize the K?means clustering center and enable it to converge to the global optimal solution. The K?means clustering center is updated constantly until reaching convergence by means of multiple iterations of the minimized objective function. The experimental results show that the DPSOK can effectively improve the global search capability of K?means, obtain a better segmentation effect than K?means and the PSO in image segmentation, and has higher segmentation quality and efficiency in comparison with the particle swarm optimization and K?means algorithm.
Keywords： image segmentation; dynamic particle swarm optimization; K?means clustering; fitness variance; clustering algorithm; DPSOK
0 引 言
K?means原理简单、计算速率高,已广泛应用于图像分割领域[1?3]. 但其也存在以下几个缺点[4]：K?means必须在算法初始化时给出聚类数k值;K?means对初始聚类中心选取要求很高;K?means容易收敛到局部最优解,将导致其错过全局最优解.
为了克服这些缺点,研究人员提出改进的K?means算法.如Chen提出基于层次的犹豫模糊K?means聚类算法[5],穆瑞辉提出了一种基于粒子群优化的模糊K?means目标分类算法 [6],Siddiqui提出一种增强型移动K?means聚类算法 [7].但是,这些改进的算法的复杂度较高.因此,需要更进一步的研究来解决K?means的问题.另外,也有部分学者利用PSO算法[8?10]实现图像分割,但是PSO技术也存在着局部搜索能力较差、搜索精度不高并且容易陷入局部极值等缺点[9?10].
因PSO具有强大的全局优化能力,K?means具有优异的局部搜索能力,所以有研究人员试图将PSO和K?means结合起来以得到一个更好的混合算法.例如：班俊硕提出了基于PSO和K?means聚类的混合算法[11],这种算法的主要思想是：所有粒子的初始化由K?means完成,聚类由PSO实现.近年来,研究人员将PSO和K?means聚类组合主要有以下三种主要方式：K?means+ PSO;K?means+ PSO + K?means;PSO + K?means.
总结:本论文为您写聚类毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
参考文献：
1、 含有压缩因子粒子群优化灰色模型在智能电网中应用 摘要：针对智能电网对用电量预测的需求和电力系统的负荷特性，在分析了灰色模型GM（1，1）的局限性以及基本粒子群算法在优化GM（1，1）背景值时所。
2、 柔性作业车间调度分布式粒子群优化算法 摘 要：针对柔性作业车间调度问题的特性，提出了一种分布式粒子群优化算法以求解柔性作业车间调度问题，该算法以最小化最大完工时间为目标，为解决传统粒。
3、 一种适用于机组组合优化的改进整数编码粒子群算法 摘 要： 针对机组组合这一高维、非线性混合整数规划问题，提出一种结合修补策略的整数编码粒子群（ICPSO） 算法。用正负整数分别表示机组开停机的。
4、 粒子群优化算法选择特征的运动图像分类 摘 要： 为了提高图像分类的效果，考虑当前方法准确实现图像分类的难题，提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究。
5、 基于京津冀协同产业集群优化和集群演化建议 摘要：本文分析了京津冀协同发展的跨区域治理基础和区域产业集群现状，基于产业对接协作与集群优化，在相关理论和实践分析基础上提出京津冀创新型产业集群。