没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
基于 C 均值与模糊 C 均值的 SAR 图像分类
1、C 均值聚类
[1]
C 均值分类方法是一种典型的动态聚类方法。其样本间相似性度量以范数平方和作为准
则。假设需分类的数据集 X 被划分成 c 个互不相交的子集 C
i
,i=1,…c。设 N
i
,是第 i 类 C
i
中样
本的数目,m
i
是 C
i
中的样本均值。定义子集 C
i
中点 x 到均值 m
i
之间的距离为 E(x,m
i
),反映样
本 x 与均值 m
i
间的误差。定义类别 C
i
中所有样本点到均值间的距离平方和为
(1)
将数据集合 X 中所有点依据式(1)求出与相应类别均值的范数平方和后相加,得到数据
集误差平方和函数为
(2)
函数 J
C
即为分类方法中确定分类评价结果质量的准则。它是样本集 X 与类别集{C
i
,i=1,…c}
的函数。不同的分类方法,得到的数据集误差平方和函数 J
C
也不同。如果将各类别均值 m
i
视为各类别 C
i
的中心,则准则函数 J
C
度量了分类结果中所有数据集元素与相应类别中心的
总体误差。
算法具体流程如下:
1)给定 C 个初始聚类中心;
2)把每个目标分配到合适的 C 个类中;
3)依据公式(1),更新 C 个类的中心;
4)重复以上三个步骤直到 C 个类的聚类中心不再改变为止。
2、模糊 C 均值(FCM)聚类
[2][3]
模糊 C 均值算法是把 n 个向量 x
i
(i=1,2,…,n)分为 c 个模糊组,并求每组的聚类中心,
使得非相似性指标的价值函数达到最小。FCM 用模糊划分,使得每个给定数据点用值在
[0,1]区间的隶属度来确定其属于各个组的程度。与引人模糊划分相适应,隶属矩阵 U 允许有
取值在[0,1]区间的元素。不过,加上归一化规定,一个数据集的隶属度的和总等于 l
(1)
FCM 的价值函数(或目标函数)为
(2)
这里 u
ij
介于 0,1 间;c
i
为模糊组 i 的聚类中心, 为第 i 个聚类中心与第 j 个
数据点间的距离,这里采用欧氏距离;且 是一个加权指数。
算法可以看作是在 n 个约束条件(式 1)下,求价值函数的极小值。
使(2)式达到极小的必要条件是
第 1 页 共 6 页
资源评论
xuping6311846
- 粉丝: 1
- 资源: 6
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功