Gradient based fuzzy c-means (GBFCM) algorithm

“…The Gradient-based Fuzzy c-Means (GFcM) algorithm introduced by Park [6,7] overcomes the drawback that each iteration requires the use of all the data at once. GFcM combines the characteristics of the SOM (presenting one datum at a time and applying the gradient descent method) and the FcM algorithm (continuous values of the membership grades in the range [0, 1]).…”

Section: Introductionmentioning

confidence: 99%

Satellite Image Classification Using a Divergence-Based Fuzzy c-Means Algorithm

Park

2012

Lecture Notes in Computer Science

View full text Add to dashboard Cite

A satellite image classifier scheme by using a Fuzzy c-Means (FcM) algorithm is proposed in this paper. The FcM algorithm adopted in this paper is a Gradient-based FcM with Divergence measure (GFcM(D)) and it utilizes the Divergence measure to exploit the statistical nature of the image data and thereby improves the classification accuracy. Experiments and results on a set of satellite images demonstrate that the proposed GFcM(D)-based classifier outperforms conventional algorithms such as the traditional Self-Organizing Map (SOM) and Fuzzy c-Means (FcM) in terms of classification accuracy.

show abstract

“…В то же время существует широкий класс задач, когда данные поступают на обработку последовательно, в on-line режиме. Алгоритмов, предназначенных для решения этих задач, известно сравнительно немного [8][9][10], при этом они реализуют вероятностный под-ход на основе рекуррентной оптимизации принятой нечеткой целевой функции [1].…”

Section: Introductionunclassified

Adaptive Neuro-Fuzzy Kohonen’s Network

Kolchigin¹,

Volkova²,

Bodianskiy³

2011

Radio Electronics, Computer Science, Control

View full text Add to dashboard Cite

АДАПТИВНАЯ НЕЙРО-ФАЗЗИ СЕТЬ КОХОНЕНАВ статье предложен рекуррентный алгоритм обучения составной кластеризирующей нейро-фаззи сети Кохонена, являющейся обобщением WTA и WTM принципов обучения и алогоритмов Кашьяпа -Блейдона и Цыпкина, а также объединяющий в себе возможностный и вероятностный подходы к кластеризации.Ключевые слова: алгоритм самообучения, кластеризация, нейро-фаззи сеть, самоорга-низующаяся карта Кохонена. ВВЕДЕНИЕЗадача кластеризации (классификации без учите-ля) достаточно часто встречается во многих прило-жениях, связанных с интеллектуальным анализом данных. Традиционный подход к решению этих за-дач предполагает, что каждое наблюдение может от-носиться только к одному кластеру, хотя более есте-ственной представляется ситуация, когда обрабаты-ваемый вектор признаков с разными уровнями принадлежности (вероятности, возможности) может принадлежать сразу нескольким классам. Данная си-туация является предметом рассмотрения нечеткого (фаззи) кластерного анализа, интенсивно развива-ющегося в двух направлениях: вероятностном [1-5] и возможностностном [6,7] подходах. Большинство алгоритмов нечеткой кластеризации предназначено для работы в пакетном режиме, когда весь массив данных, подлежащих обработке, задан априорно. В то же время существует широкий класс задач, когда данные поступают на обработку последовательно, в on-line режиме. Алгоритмов, предназначенных для решения этих задач, известно сравнительно немного [8-10], при этом они реализуют вероятностный под-ход на основе рекуррентной оптимизации принятой нечеткой целевой функции [1].Для последовательной обработки данных при ре-шении задачи кластеризации наилучшим образом приспособлены искусственные нейронные сети Кохо-нена [11], имеющие однослойную архитектуру с ла-теральными связями и обучаемые на основе принци-пов «победитель получает все» (WTA) или «победи-тель получает больше» (WTM). Данные сети про-демонстрировали свою эффективность при решении многих задач с непересекающимися кластерами. Не-обходимость решения задач кластеризации в после-довательном режиме обработки в условиях пересека-ющихся классов привела к появлению самообуча-ющихся гибридных нейро-фаззи систем, являющихся обобщением нейронной сети Кохонена и облада-ющих, благодаря использованию специальных алго-ритмов настройки своих семантических весов, более широкими функциональными возможностями. Так, в [12, 13] была введена модификация сети Кохонена, основанная на нечетких правилах. Данная сеть пока-зала свою эффективность в ряде задач, связанных с распознаванием образов, однако численная громозд-кость затрудняет ее использование в on-line режиме. В [14] была предложена сеть Кохонена с нечетким выводом, обучаемая на основе комбинации правил Кохонена и Гроссберга. Основным недостатком этой конструкции является зависимость получаемых ре-зультатов от выбора свободных параметров процеду-ры обучения. В [15] была предложена, а в [16] разви-та, так называемая нечеткая кластеризующая сеть Кохонена (FKCN), основанная на алгоритме нечет-ких с-средних (FCM) Бездека [1], который может быть записан и...

show abstract

Gradient based fuzzy c-means (GBFCM) algorithm

Cited by 33 publications

References 5 publications

Adaptive fuzzy clustering with a variable fuzzifier

Adaptive fuzzy clustering with a variable fuzzifier

Satellite Image Classification Using a Divergence-Based Fuzzy c-Means Algorithm

Adaptive Neuro-Fuzzy Kohonen’s Network

Contact Info

Product

Resources

About