一種基于內容圖像的模糊最小?最大神經網絡聚類方法技術

本發明專利技術提供了一種基于內容圖像的模糊最小?最大神經網絡聚類方法，在初始化的時候就一次性的讀入所有樣本，算法每次迭代都是對整個樣本集進行的操作，對樣本輸入次序沒有依賴性；運行時是一個低層超盒逐漸合并為高層超盒的過程，算法運行過程中超盒數目不斷下降，即聚類數目是遞減的，提高了算法的效率。本發明專利技術將層次算法的分層思想引入到模糊最小?最大聚類網絡的學習算法中，提出一種更符合圖像聚類要求的分層模糊最小?最大聚類算法，使其更好的適應基于內容圖像檢索的要求。仿真結果表明，本發明專利技術提供的基于內容圖像的模糊最小?最大神經網絡聚類方法不僅具有可行性，而且相對傳統神經網絡具有優越性。

【技術實現步驟摘要】

本專利技術涉及一種神經網絡聚類方法，尤其涉及一種基于內容圖像的模糊最小-最大神經網絡聚類方法HFMM，屬于聚類算法

技術介紹
20世紀90年代起，基于內容的圖像檢索(Content-basedImageRetrieval，CBIR)成為圖像檢索領域的研究熱點。它的主要研究內容是在圖像處理基礎上，根據圖像所包含的顏色、紋理、形狀以及對象的空間關系等視覺特征信息，建立圖像的多維特征矢量，再根據這些特征矢量對圖像進行相似性查詢。區別于傳統的基于文本的檢索手段，CBIR還融合了圖像理解、模式識別、計算機視覺等技術，具有如下特點：(1)直接對圖像內容進行分析，抽取特征和語義，利用這些內容特征建立索引并進行檢索：(2)檢索匹配實際上是一種近似匹配，這一點與常規數據庫檢索的精確匹配方法有明顯不同；(3)特征提取和索引的建立可由計算機自動實現，避免了人工描述的主觀性，也大大減少了工作量。現有的CBIR中的多維索引技術主要來自于三個領域的研究成果：計算幾何學、數據庫管理和模式識別。由于圖像的特征矢量是高維的，且其相似性測度是非歐氏距離的，因此在常規數據庫中采用的索引結構，在圖像索引中就不適用了。因此，有學者就將目光集中到了模式識別中的“聚類”(Clustering)技術上。由于圖像索引(imageindexing)是后續檢索工作的基礎，只有在對圖像集正確聚類基礎上建立合適的索引，才能保證檢索結果的準確。因此聚類算法的性能將直接影響到檢索系統的性能。此外，目前的數據庫系統還面臨一個主要問題，那就是信息的高更新率。然而大部分現有的聚類算法并不滿足上述要求，因此，迫切需要對現有算法進行改進或開發出新的聚類技術，以適應CBIR中圖像聚類。所謂聚類，就是將物理或抽象對象的集合分組成為由類似對象組成的多個類或簇(cluster)的過程。由聚類生成的簇是一組數據對象的集合，同一簇中的對象盡可能相似，而不同簇中的對象盡可能相異。聚類按照一定的要求和規律對事物進行區分和分類，在這一過程中沒有任何關于分類的先驗知識，因此它屬于無監督學習(unsupervisedstudy)的范疇。通過聚類，人們能夠識別密集的和稀疏的區域，發現全局的分布模式和數據屬性之間有趣的相互關系，因此，聚類技術已成為一種強有力的信息處理方法，在圖像分割、模式識別、計算機視覺、數據挖掘等領域中都有著廣泛的應用。目前，常用于圖像索引中的聚類算法大致有分割算法和層次算法兩類。分割算法是將n(n為正整數)個目標劃分到k個聚類中(k為輸入參數)，最常用的就是k-均值聚類算法。但這類算法主要適用于聚類簇為凸形狀、各類相距較遠且直徑相差不大的情況，并且它需要預先設定聚類中心的數目。層次算法是將數據集分解為樹狀圖，它又可分為分裂式和凝聚式兩種，層次算法雖不要設定聚類中心個數，但要定義循環終止條件，而最優循環終止條件的確立通常是比較困難的，并且它也難以處理聚類形狀復雜的情況。同時，這兩類算法不能很好的適應信息高速更新的動態環境，只能通過頻繁的重新聚類解決數據更新的問題。而P.K.Simpson提出的模糊最小-最大聚類神經網絡(FMM)可以根據問題的需要動態的調整類別數，且具有在線學習的能力，可以很好的克服上述兩類方法的不足。但FMM也同樣存在以下弊端：(1)FMM存在樣本輸入次序依賴性(odependent)的問題，即相同的樣本集在訓練時輸入網絡的順序不同常導致不同的聚類結果；(2)FMM的最終聚類結果是一系列超盒模糊集的集合，不如層次算法形成的樹狀結構那樣便于檢索。基于上述FMM的利弊，本文中將層次算法的分層思想引入到模糊最小-最大聚類網絡的學習算法中，提出一種更符合圖像聚類要求的分層模糊最小-最大聚類算法HFMM，使其更好的適應基于內容圖像檢索的要求。
技術實現思路
本專利技術要解決的技術問題是在現有用于圖像索引的聚類算法的基礎上，針對模糊最小-最大聚類神經網絡學習算法的特性，將該神經網絡學習算法用于實現圖像聚類，以期在一定程度上克服現有算法的弊端，取得良好的圖像聚類效果。為了解決上述技術問題，本專利技術的技術方案是提供一種基于內容圖像的模糊最小-最大神經網絡聚類方法，其特征在于：步驟為：1、定義假設輸入樣本集為A＝{Ah|h＝1，2，...m本文檔來自技高網...

【技術保護點】
一種基于內容圖像的模糊最小?最大神經網絡聚類方法，其特征在于：步驟為：1、定義假設輸入樣本集為A＝{Ah|h＝1，2，...m}，m為大于1的整數，其中Ah＝(ah1，ah2，...ahn)∈In是第h個樣本，且Bj＝{Ah，Vj，Wj，bj(Ah，Vj，Wj)｝表示第j個超盒模糊集，其中Vj是第j個輸入模式的最小點，Wj第j個輸入模式的最大點，模糊隸屬度函數0≤bj(Xh，Vj，Wj)≤1，表示樣本Ah對超盒Bj的隸屬度，j為正整數；bj(Ah,Vh,Wh)=1nΣi=1n[1-f(ahi-wji,γ)-f(vji-ahi,γ)],i=1,2...n---(1)]]>其中，A為樣本集，Ah為樣本集中第h個樣本，In表示n維模式空間，Bj表示一個超盒集，bj為隸屬度函數；f(x,γ)=1ifxγ>1rγif0≤xγ≤10ifxγ<0---(2)]]>其中，if表示假如，f()表示一個含有兩個參數的斜坡閾值函數，x表示模式空間中某一點向量距離最大點w，或者最小點v的值，γ是一個預先設定的敏感性參數，用來調節當輸入樣本遠離超盒中心時隸屬度函數下降的速度；用B＝{Bj}表示超盒集，用M＝{mjk|j＜k}表示超盒間隸屬度的集合，其中mjk為超盒Bj對超盒Bk的隸屬度，下面的定義給出其具體含義；定義1：設超盒Bj的質心為Cj＝(cj1，cj2，...cjn)，定義Cj的每一維分量為Cji=wji-vji2+vji=vji+wji2,i=1,2,...n---(3)]]>C為超盒的質心，Cj為超盒Bj的質心，j表示第j個超盒，i表示第i維向量；定義2：設超盒Bj對超盒Bk的隸屬度為mjk，則mjk表示超盒Bj的質心Cj對超盒Bk的隸屬度，即：mjk＝bk(Bj，Vk，Wk)＝bk(Cj，Vk，Wk)?????????????(4)Vk為第k個超盒Bk的最小點；Wk為第k個超盒Bk的最大點；定義3：超盒Bj和超盒Bk的擴張準則為判斷Bj和Bk能否合并為一個新的更大的超盒，即判斷下列公式是否成立，若成立則擴張；Σi=1n(max(wki,cji)-min(vki,cji))≤n·θ---(5)]]>其中，cji是超盒Bj的質心Cj的第i維分量；θ為用戶設定的參數，用來限制超盒的最大尺寸，且0≤θ≤1；max()為求最大值，min()為求最小值；定義4：超盒Bj和超盒Bk間的擴張為將Bj和Bk合并為一個新的更大的超盒B＝{V，W}，且超盒的最小點和最大點分別為：vi=min(vji,vki)i=1,2,...nwi=min(wji,wki)i=1,2...n---(6)]]>2、聚類算法流程1)初始化：對于給定的樣本集A＝{Ah|h＝1，2，...m}，形成初始的超盒集B＝{Bj}(j＝1，2，...m)，且超盒的最小、最大點為：Vj＝Wj＝Ah；然后根據式公式(1)算得初始的隸屬度集合M；2)擴張準則判斷：記上一步操作找到的M中隸屬度最大者為mjk，即超盒Bj對超盒Bk的隸屬度最大，則在這一步對Bj和Bk按公式(5)進行擴張準則判斷，滿足則擴張Bj和Bk；3)擴張：按照定義(4)將Bj和Bk合并成一個新的更大的超盒，記為B；然后更新超盒集B，即將Bj和Bk從原超盒集中刪除，并加入擴張形成的新超盒B；4)壓縮：壓縮由檢測重疊和消除重疊兩步組成，具體如下：對前一步擴張所得的超盒B，逐維比較B和當前超盒集中的其他超盒Bl∈B，如果B和Bl的每一維分量都符合下列四種情況之一，則B和Bl之間發生重疊：(1)vi＜vli＜wi＜wli；(2)vli＜vi＜wli＜wi；(3)vi＜vli＜wli＜wi；(4)vli＜vi＜wi＜wli·B和Bl之間發生重疊，則也要按上述四種情況分別的逐維消除重疊：情況1：vi＜vli＜wi＜wli則vlinew=winew=vliold+wiold2]]>情況2：vli＜vi＜wli＜wi則vinew=wlinew=viold+wliold2]]>情況3：vi＜vli≤wli＜wi如果wli?vi＜wi?vli則否則情況4：vli?vi≤wi?wli，在相同條件下，對稱的采用情況3中的方法；壓縮操作完成后，還要對隸屬度集M進行更新，即對壓縮操作后得到的超盒集，根據公式(1)重新計算其隸屬度集合；如此循環，直到隸屬度集M為空時結束；算法運行完畢，即完成對給定樣本集的聚類。...

【技術特征摘要】
1.一種基于內容圖像的模糊最小-最大神經網絡聚類方法，其特征在于...

【專利技術屬性】
技術研發人員：胡靜，
申請(專利權)人：上海電機學院，
類型：發明
國別省市：上海;31