HỌC VIỆN KỸ THUẬT QUÂN SỰ
KHOA CÔNG NGHỆ THÔNG TIN
TIỂU LUẬN MÔN LOGIC MỜ VÀ SUY DIỄN XẤP XỈ
TÊN ĐỀ TÀI
Thuật toán phân cụm Mountain và ứng dụng phân đoạn ảnh màu TPHCM, Tháng 11 năm 2012
I. Phương pháp phân cụm Mountain (MCM)
Yager và Filev (1994a) đã phát triển thuật toán tạo ra nguyên mẫu cho dữ liệu
không dán nhãn, phương pháp rất khác biệt so với tất cả những phương pháp trước đây đã
được thảo luận trong phần này.
Trong kế hoạch của họ, một tập hợp hữu hạn lớn các mẫu thử được quy định cụ thể
và cố định, và chức năng mục tiêu MCM được sử dụng để chọn ra các mẫu thử c tốt từ
tập hợp đã được cố định. Từ các thiết lập cố định của các ứng cử viên. Trong ngắn
hạn,các mẫu thử không phải là khởi tạo và sau đó đươc cập nhật lặp lại, nhưng chỉ đơn

giá trị , sẽ là một bề mặt số với những đỉnh tại các nút nơi mật độ dữ
liệu là cao nhất- nơi có các cụm. Do đó thuật ngữ " mountain function " cho (4.32).
Việc tối đa hóa với được thực hiện bằng cách liệt kê một cách đơn giản
những giá trị của nó và tìm ra một giá trị lớn nhất, những liên kết được giải quyết một
cách tùy tiện. chúng ta cho tập hợp những giá trị mountain function (MFVs) đầu tiên là
(4.33).
Xác định mẫu mờ
(4.33)
Bước 1: Nếu , lưới điểm được khai báo.
Bước 2: Xóa đỉnh , định nghĩa lại hàm Mountain bằng cách ,
hay còn gọi là nghịch đảo với khoảng cách
Bước 3: Kết quả được lưu trong các giá trị của đã được cập nhật khi
t> = 1 bước, Hàm này được xác định với công thức
(4.34)
Trong đó:
- β là hằng số thứ 2 được định nghĩa .
- là nguyên mẫu t-th.
Trường hợp tối đa hóa hơn sẽ tạo ra một nút thứ hai , và là một nút ưu tiên
để xác định .
Vì vậy, công thức (4.34) do đó định nghĩa một thủ tục lặp đi lặp lại việc tiếp tục
chọn các nút từ định nghĩa là nguyên mẫu cho các dữ liệu cho đến khi người dùng xác
định điểm dừng được đáp ứng. Năm 1994 Yager và Filev đề nghị điểm dừng khi giá trị
tối đa của hàm Mountain nhỏ.
Ví dụ: bước i khi

Tại một số ngưỡng chấm dứt Ɛ> 0. Tại thời điểm này MCM có bộ
, hay còn gọi là cụm nguyên mẫu cho t (chưa xác định) trong X.
Phương pháp này thì đơn giản, và giống như tất cả các thuật toán, có một số tham số
để chọn. Tuy nhiên trong MCM có thể sử dụng một nút nhiều lần nên lượng giá trị bị
giảm đi của hàm Mountain sẽ phụ thuộc vào p.

Ví dụ 4,4
(Barone et al, 1995). Bảng 4,17 sắp đặt các điểm dừng nguyên mẫu được tìm thấy
bởi MCM và FCM trên các dữ liệu được thiết lập cho được hiển thị trong Hình 4.12.
Cột đầu tiên trong Bảng 4,17 cũng cho thấy các biểu tượng được sử dụng cho 2D hay còn
được thể hiện trong hình 4,12
Bảng 4,17 ga MCM và nguyên mẫu FCM cho ,

Barone et al đã sử dụng tiêu chuẩn cho cả hai thuật toán Euclide, và thiết lập c = 3
cho FCM. Họ cho rằng ALPHA được đặt ở 4 cho MCM, nhưng không có hoặc bất
kỳ các thông số thực thi khác cho FCM nhằm cung cấp cho các kết quả trong Bảng 4,17.
Vì vậy, giá trị MCM trong Bảng 4,17 là không thể thiếu, chúng ta biết rằng mạng
tinh thể được sử dụng bởi MCM cho những tính toán này tốt hơn đáng kể (ít nhất là đủ
mịn để có điểm lưới tọa độ để hai chữ số thập phân) so với đơn vị mạng LHB ([m], [M])
được sử dụng trong đặc điểm kỹ thuật của MCM.
Kết luận rút ra từ Bảng 4,17 là, trao quyền lựa chọn cho MCM, nó có thể sản xuất
nguyên mẫu một cách hợp lý khởi gán cho FCM. Chú ý rằng MCM dự toán dường
như tồi tệ nhất tại dòng thứ 3, nhưng 50 điểm mà nó đại diện thì rất nhỏ gọn và được
phân định rõ ràng từ 100 điểm còn lại trong (xem Hình 4.12).

Ví dụ 4.4:

Bảng 4,17
Bảng 4,17 sắp đặt các thiết bị đầu cuối nguyên mẫu được tìm thấy bởi MCM và
FCM trên các dữ liệu thiết lập Iris được hiển thị trong Hình 4.12. Cột đầu tiên trong Bảng
4,17 cũng cho thấy các biểu tượng được sử dụng cho 2D phương tiện thể hiện trong hình
4,12.

Hình 4,12
Sử dụng chỉ tiêu cho cả hai thuật toán Euclide, và thiết lập c= 3 cho FCM. Họ cho
rằng α được đặt ở 4 cho MCM, nhưng không đối với β và ε, hoặc bất kỳ các thông số chế




    

. Đối với hai dữ liệu chiều thiết lập Iris, số tiền này
(700) (300) = 210.000 nguyên mẫu ban đầu để bao gồm các mạng Lhb ((0,0)
T
, (7,3)
T
).
Trong bối cảnh không cụ thể, giả sử X có chứa các điểm dữ liệu trong 10 chiều - một
không phổ lớn số các tính năng. Nếu mỗi người trong 10 trục được chia bằng 10, mạng
Lhb (







) sẽ có 10
10
nguyên mẫu ứng cử viên - quá nhiều để làm cho MCM tính
toán dễ xử lý.
Chiu (1994, 1995, 1997) đề xuất một sửa đổi của MCM trong đó lưới các điểm
lưới ứng cử viên bị bỏ rơi, và thay thế bằng X, dữ liệu đầu vào không có nhãn. Chiu gọi
là sửa đổi của MCM phương pháp phân nhóm trừ (SCM), và nó không đủ tiểu thuyết hay
khác nhau từ MCM để đảm bảo một cuộc thảo luận riêng biệt ở đây. (Chúng tôi sẽ, tuy
nhiên, thảo luận SCM một lần nữa trong Ví dụ 4,18).

Miền ứng dụng quan tâm Velthuizen et al. từ tính cộng hưởng (MR) hình ảnh phân
khúc. T1
ij
, T2
ij
and P
ij
biểu thị tương ứng, lưới spin thư giãn, thư giãn ngang, và proton
mật độ pixel (i, j) trong một lát MR (ba hình ảnh tại cùng một vị trí trong thời gian và
không gian) có kích thước m x n. Nếu chúng ta tổng hợp các 3 con số này vào một vector
pixel X
ij
= (T1
ij
, T2
ij
, P
ij
), tập dữ liệu X = {x
11
, x
12
,…,x
ij
,…,x
mn
}, chúng tôi sẽ đáp ứng
dữ liệu điểm ảnh vector 3D với một số ví dụ khác trong Chương 4 và 5. Các thuật toán cơ
bản được sử dụng bởi Velthuizen et al. tiền thu được như sau. Cho X đứng cho một bộ
điểm ảnh tính năng vector có nguồn gốc từ bất kỳ hình ảnh MR, và biểu thị nguyên mẫu