基于量子粒子群模糊C均值聚類算法應用研究

王富強，張振華，朱 然

(1.93856部隊，甘肅 蘭州 730070；2.太原電務段，山西 太原 030000)

?

基于量子粒子群模糊C均值聚類算法應用研究

王富強1，張振華1，朱 然2

(1.93856部隊，甘肅 蘭州 730070；2.太原電務段，山西 太原 030000)

模糊C均值聚類對初始參數有著較強的依賴性，文中針對其對初始聚類中心敏感的問題，提出利用量子粒子群來優化FCM的初始聚類中心。粒子群優化算法具有較強的全局搜索能力，但局部搜索能力不足，因此借助于量子理論，將粒子群量子化，借助量子旋轉門改變粒子的移動，同時利用量子非門增加種群的多樣性，加強粒子群優化算法的局部尋優能力。并最終利用量子粒子群優化算法搜尋FCM算法的初始聚類中心，通過實驗仿真表明，改進的算法在加快搜索速度的同時，能獲得較為穩定的聚類中心且分割效果明顯優于標準的FCM算法。

模糊C均值聚類；抗噪性；道岔缺口；圖像分割

模糊C均值聚類(Fuzzy C-Means, FCM)算法是一種基于目標函數的算法，在圖像分割領域占有重要地位。但FCM算法在進行圖像分割時，需初始化參數，包括聚類中心和聚類數目等[1]。若選取的聚類中心處于局部極值時，算法不僅收斂速度下降，且分割精度也會降低。本文在粒子群聚類算法的基礎上，針對粒子群算法易于陷入局部極小值的問題，通過引入量子理論，將二者進行融合，形成基于量子粒子群的模糊聚類算法。

1 FCM算法

假設給定任意的一組數據樣本集合記為X={x1,x2…xn}?Rs，其中s為數據集X的維數，n為集合中樣本的數目，c(2≤c

(1)

其中，m是模糊因子；……