机器学习常见算法分类汇总
机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里IT经理网为您总结一下常见的机器学习算法，以供您在工作和学习中参考。
机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。
根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。
监督式学习：
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）
非监督式学习：
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。
半监督式学习：
在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。
强化学习：
在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习（Temporal difference learning）
在企业数据应用的场景下， 人们最常用的可能就是监督式学习和非监督式学习的模型。 在图像识别等领域，由于存在大量的非标识的数据和少量的可标识数据， 目前半监督式学习是一个很热的话题。 而强化学习更多的应用在机器人控制及其他需要进行系统控制的领域。
算法类似性
根据算法的功能和形式的类似性，我们可以把算法分类，比如说基于树的算法，基于神经网络的算法等等。当然，机器学习的范围非常庞大，有些算法很难明确归类到某一类。而对于有些分类来说，同一分类的算法可以针对不同类型的问题。这里，我们尽量把常用的算法按照最容易理解的方式进行分类。
回归算法：
回归算法是试图采用对误差的衡量来探索变量之间的关系的一类算法。回归算法是统计机器学习的利器。在机器学习领域，人们说起回归，有时候是指一类问题，有时候是指一类算法，这一点常常会使初学者有所困惑。常见的回归算法包括：最小二乘法（Ordinary Least Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）
基于实例的算法
基于实例的算法常常用来对决策问题建立模型，这样的模型常常先选取一批样本数据，然后根据某些近似性把新数据与样本数据进行比较。通过这种方式来寻找最佳的匹配。因此，基于实例的算法常常也被称为“赢家通吃”学习或者“基于记忆的学习”。常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）
正则化方法
正则化方法是其他算法（通常是回归算法）的延伸，根据算法的复杂度对算法进行调整。正则化方法通常对简单模型予以奖励而对复杂算法予以惩罚。常见的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及弹性网络（Elastic Net）。
决策树学习
决策树算法根据数据的属性采用树状结构建立决策模型， 决策树模型常常用来解决分类和回归问题。常见的算法包括：分类及回归树（Classification And Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine， GBM）
贝叶斯方法
贝叶斯方法算法是基于贝叶斯定理的一类算法，主要用来解决分类和回归问题。常见算法包括：朴素贝叶斯算法，平均单依赖估计（Averaged One-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）。
基于核的算法
基于核的算法中最著名的莫过于支持向量机（SVM）了。 基于核的算法把输入数据映射到一个高阶的向量空间， 在这些高阶向量空间里， 有些分类或者回归问题能够更容易的解决。 常见的基于核的算法包括：支持向量机（Support Vector Machine， SVM）， 径向基函数（Radial Basis Function ，RBF)， 以及线性判别分析（Linear Discriminate Analysis ，LDA)等
聚类，就像回归一样，有时候人们描述的是一类问题，有时候描述的是一类算法。聚类算法通常按照中心点或者分层的方式对输入数据进行归并。所以的聚类算法都试图找到数据的内在结构，以便按照最大的共同点将数据进行归类。常见的聚类算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。
关联规则学习
关联规则学习通过寻找最能够解释数据变量之间关系的规则，来找出大量多元数据集中有用的关联规则。常见算法包括 Apriori算法和Eclat算法等。
人工神经网络
人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法。（其中深度学习就是其中的一类算法，我们会单独讨论），重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network）, 反向传递（Back Propagation）， Hopfield网络，自组织映射（Self-Organizing Map, SOM）。学习矢量量化（Learning Vector Quantization， LVQ）
深度学习算法是对人工神经网络的发展。 在近期赢得了很多关注， 特别是， 更是在国内引起了很多关注。
在计算能力变得日益廉价的今天，深度学习试图建立大得多也复杂得多的神经网络。很多深度学习的算法是半监督式学习算法，用来处理存在少量未标识数据的大数据集。常见的深度学习算法包括：受限波尔兹曼机（Restricted Boltzmann Machine， RBN）， Deep Belief Networks（DBN），卷积网络（Convolutional Network）, 堆栈式自动编码器（Stacked Auto-encoders）。
降低维度算法
像聚类算法一样，降低维度算法试图分析数据的内在结构，不过降低维度算法是以非监督学习的方式试图利用较少的信息来归纳或者解释数据。这类算法可以用于高维数据的可视化或者用来简化数据以便监督式学习使用。常见的算法包括：主成份分析（Principle Component Analysis， PCA），偏最小二乘回归（Partial Least Square Regression，PLS）， Sammon映射，多维尺度（Multi-Dimensional Scaling, MDS）,
投影追踪（Projection Pursuit）等。
集成算法：
集成算法用一些相对较弱的学习模型独立地就同样的样本进行训练，然后把结果整合起来进行整体预测。集成算法的主要难点在于究竟集成哪些独立的较弱的学习模型以及如何把学习结果整合起来。这是一类非常强大的算法，同时也非常流行。常见的算法包括：Boosting， Bootstrapped Aggregation（Bagging）， AdaBoost，堆叠泛化（Stacked Generalization， Blending），梯度推进机（Gradient Boosting Machine, GBM），随机森林（Random Forest）。
第一时间获取面向IT决策者的独家深度资讯，敬请关注IT经理网微信号：ctociocom
&&&除非注明，本站文章均为原创或编译，转载请务必注明出处并保留： 文章来自
相关文章：
在TMT领域具有十余年的咨询和创业经验。 目前主要关注信息安全，同时密切关注云计算、社会化媒体、移动、企业2.0等领域的技术创新和商业价值。拥有美国麻省理工学院MBA学位和清华大学经济管理学院学士学位，曾任BDA中国公司高级顾问，服务过美国高通、英特尔、中国网通、SK电讯、及沃达丰等公司。联系邮件：
《2016互联网有组织犯罪威胁评估报告》预警了八大网络犯罪趋势
报告详细分析了FitBit智能手环的硬件、网络、APP、云服务四个攻击面的安全性和隐私保护问题，风风火火搞智能硬件的务必要抽空看下。
医疗大数据应用已经来到引爆点，可为美国节省数千亿美元医疗开支。
棱镜门事件以来，NSA的全球监控行为遭到各国政府和人民的谴责，但美国情报部门所展现的大数据和信息安全技术实力也成为各国政府甚至一流IT企业为之“艳羡”的对象。
《BYOD安全策略与工具指南》为企业的信息安全主管和CIO们提供了一个详尽而系统的移动安全策略框架。
针对不同类型的设备和使用场景，教育机构如何能够确保学生安全进入Wi-Fi网络并获得最佳质量的连接呢？
瑞萨电子宣布推出高度自动驾驶（HAD）解决方案套件。这款套件可针对汽车功能安全提供高运算性能，以缩短电子控制单元（ECU）的开发时间。
经过对中国防雷业务 审核为期9个月的学习和研究，世界十大开源ERP开发商之一，法国开源软件企业Nexedi 开发了首个开源防雷业务电子政务管理平台。
Cray的这套系统将成为瑞典和斯堪地纳维亚地区首台千万亿次规模的超级计算机。瑞典研究人员和产业合作伙伴因此可以在气候模拟、流体动力学、神经科学、等离子物理、材料科学和分子模拟等领域进行复杂的模拟。
GITC将继续深度交流时下互联网技术热点，全面覆盖云、大数据、安全、运维、基础架构等热点专题。
会议地点北京·国家会议中心北京市朝阳区天辰东路7号
随着来自不同领域的企业纷纷加入到由信息化推动的新工业革命大潮中来，专业面貌有了极大的改变，传统的行业模式也发生了巨大变迁。让我们乘风而跃，投入变革的时代！
2016中国软件技术大会将以“互联网＋时代企业级应用新生态”为主题，大会将邀请五十多位著名互联网公司的技术大咖、行业企业的技术专家、技术畅销书的作者、独立咨询师等就多个新兴前沿领域，从独立于厂商的角度，深入解析最新技术热点，探讨当前的技术变革对企业级软件的开发技术、架构、运维等的影响和驱动力。
会议地点北京·国家会议中心北京市朝阳区天辰东路7号
&Copyright (C) 2011,ctocio.cc - IT经理网聚类分析是一种重要的人类行为，早在孩提时代，一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用，如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等[1]。
　聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
　聚类技术[2]正在蓬勃发展，对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进，而不同的方法适合于不同类型的数据，因此对各种聚类方法、聚类效果的比较成为值得研究的课题。
1 聚类算法的分类
　目前，有大量的聚类算法[3]。而对于具体应用，聚类算法的选择取决于数据的类型、聚类的目的。如果聚类分析被用作描述或探查的工具，可以对同样的数据尝试多种算法，以发现数据可能揭示的结果。
　主要的聚类算法可以划分为如下几类：划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法[4-6]。
　每一类中都存在着得到广泛应用的算法，例如：划分方法中的k-means[7]聚类算法、层次方法中的凝聚型层次聚类算法[8]、基于模型方法中的神经网络[9]聚类算法等。
　目前,聚类问题的研究不仅仅局限于上述的硬聚类，即每一个数据只能被归为一类，模糊聚类[10]也是聚类分析中研究较为广泛的一个分支。模糊聚类通过隶 属函数来确定每个数据隶属于各个簇的程度，而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出，如著名的FCM算法等。
　本文主要对k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法通过通用测试数据集进行聚类效果的比较和分析。
2 四种常用聚类算法研究
2.1 k-means聚类算法
　k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。
　k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地 选择k个对象，每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇;然后重新计算每个簇的平均值。 这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：
　这里E是数据库中所有对象的平方误差的总和，p是空间中的点，mi是簇Ci的平均值[9]。该目标函数使生成的簇尽可能紧凑独立，使用的距离度量是欧几里得距离,当然也可以用其他距离度量。k-means聚类算法的算法流程如下：
&& &输入：包含n个对象的数据库和簇的数目k；
&& &输出：k个簇，使平方误差准则最小。
&& &步骤：
　　(1) 任意选择k个对象作为初始的簇中心；
　　(2) repeat；
　　(3) 根据簇中对象的平均值，将每个对象(重新)赋予最类似的簇；
　　(4) 更新簇的平均值，即计算每个簇中对象的平均值；
　　(5) until不再发生变化。
2.2& 层次聚类算法
&&& 根据层次分解的顺序是自底向上的还是自上向下的，层次聚类算法分为凝聚的层次聚类算法和分裂的层次聚类算法。
　凝聚型层次聚类的策略是先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足。绝大多数层次聚类属于凝聚型层次聚类，它们只是在簇间相似度的定义上有所不同。四种广泛采用的簇间距离度量方法如下：
&& 这里给出采用最小距离的凝聚层次聚类算法流程：
　(1) 将每个对象看作一类，计算两两之间的最小距离；
　(2) 将距离最小的两个类合并成一个新类；
　(3) 重新计算新类与所有类之间的距离；
　(4) 重复(2)、(3)，直到所有类最后合并成一类。
2.3 SOM聚类算法
　SOM神经网络[11]是由芬兰神经网络专家Kohonen教授提出的，该算法假设在输入对象中存在一些拓扑结构或顺序，可以实现从输入空间(n维)到输出平面(2维)的降维映射，其映射具有拓扑特征保持性质,与实际的大脑处理有很强的理论联系。
　SOM网络包含输入层和输出层。输入层对应一个高维的输入向量，输出层由一系列组织在2维网格上的有序节点构成，输入节点与输出节点通过权重向量连接。 学习过程中，找到与之距离最短的输出层单元，即获胜单元，对其更新。同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征。
　算法流程：
　(1) 网络初始化，对输出层每个节点权重赋初值；
　(2) 将输入样本中随机选取输入向量，找到与输入向量距离最小的权重向量；
　(3) 定义获胜单元，在获胜单元的邻近区域调整权重使其向输入向量靠拢；
　(4) 提供新样本、进行训练；
　(5) 收缩邻域半径、减小学习率、重复，直到小于允许值，输出聚类结果。
2.4 FCM聚类算法
　1965年美国加州大学柏克莱分校的扎德教授第一次提出了‘集合’的概念。经过十多年的发展，模糊集合理论渐渐被应用到各个实际应用方面。为克服非此即彼的分类缺点，出现了以模糊集合论为数学基础的聚类分析。用模糊数学的方法进行聚类分析，就是模糊聚类分析[12]。
　　FCM算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。该聚类算法是传统硬聚类算法的一种改进。
&&& 算法流程：
　(1) 标准化数据矩阵；
　(2) 建立模糊相似矩阵，初始化隶属矩阵；
　(3) 算法开始迭代，直到目标函数收敛到极小值；
　(4) 根据迭代结果，由最后的隶属矩阵确定数据所属的类，显示最后的聚类结果。
3 四种聚类算法试验
3.1 试验数据
　实验中，选取专门用于测试分类、聚类算法的国际通用的UCI数据库中的IRIS[13]数据集，IRIS数据集包含150个样本数据，分别取自三种不同 的莺尾属植物setosa、versicolor和virginica的花朵样本,每个数据含有4个属性，即萼片长度、萼片宽度、花瓣长度，单位为cm。 在数据集上执行不同的聚类算法，可以得到不同精度的聚类结果。
3.2 试验结果说明
　文中基于前面所述各算法原理及算法流程，用matlab进行编程运算，得到表1所示聚类结果。
　如表1所示，对于四种聚类算法，按三方面进行比较：(1)聚错样本数：总的聚错的样本数，即各类中聚错的样本数的和；(2)运行时间：即聚类整个 过程所耗费的时间，单位为s；(3)平均准确度：设原数据集有k个类,用ci表示第i类，ni为ci中样本的个数，mi为聚类正确的个数,则mi/ni为 第i类中的精度，则平均精度为：
3.3 试验结果分析
&& &四种聚类算法中，在运行时间及准确度方面综合考虑，k-means和FCM相对优于其他。但是，各个算法还是存在固定缺点：k-means聚类算法的初 始点选择不稳定，是随机选取的，这就引起聚类结果的不稳定，本实验中虽是经过多次实验取的平均值，但是具体初始点的选择方法还需进一步研究；层次聚类虽然 不需要确定分类数，但是一旦一个分裂或者合并被执行，就不能修正，聚类质量受限制；FCM对初始聚类中心敏感，需要人为确定聚类数，容易陷入局部最优 解；SOM与实际大脑处理有很强的理论联系。但是处理时间较长，需要进一步研究使其适应大型数据库。
&&& 聚类分析因其在许多领域的成功应用而展现出诱人的应用前景，除经典聚类算法外，各种新的聚类方法正被不断被提出。
[1] & HAN Jia Wei， KAMBER M.数据挖掘概念与技术[M]．范明，孟晓峰，译．北京：机械工业出版社，2001．
[2] & 杨小兵．聚类分析中若干关键技术的研究[D]． 杭州：浙江大学，2005．
[3] & XU Rui, Donald Wunsch 1 1． survey of clustering algorithm[J]．IEEE．Transactions on Neural Networks, )：645-67 8.
[4] & YI Hong, SAM K． Learning assignment order of instances for the constrained k-means clustering algorithm[J]．IEEE Transactions on Systems, Man, and Cybernetics, Part B：Cybernetics,)：568-574.
[5] & 贺玲，吴玲达，蔡益朝．数据挖掘中的聚类算法综述[J]．计算机应用研究，):10-13．
[6] & 孙吉贵，刘杰，赵连宇．聚类算法研究[J]．软件学报，)：48-61．
[7] & 孔英会，苑津莎，张铁峰,等．基于数据流管理技术的配变负荷分类方法研究．中国国际供电会议，CICED2006．
[8] & 马晓艳，唐雁．层次聚类算法研究[J]．计算机科学,)：34-36．
[9] & 汪海波，张海臣，段雪丽．基于MATLAB的自组织竞争神经网络聚类研究[J]．邢台职业技术学院学报，)：45-47．
[10]& 吕晓燕，罗立民，李祥生．FCM算法的改进及仿真实验研究[J]．计算机工程与应用，)：144-147．
[11]& 李戈，邵峰晶，朱本浩．基于神经网络聚类的研究[J]．青岛大学学报，)：21-24．
[12]& 戈国华,肖海波,张敏．基于FCM的数据聚类分析及matlab实现[J].福建电脑，-90．
[13]& FISHER R A． Iris Plants Database//http：//www.ics.uci.edu/~mlearn /MLRepository．Html．Authorized license．
/article/index.aspx?id=79936
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：2562次
排名：千里之外
转载：15篇
(2)(4)(2)(13)&您现在的位置：&>&&>&&>&
共有&1&人回复了该问答什么是聚类分析？聚类算法有哪几种？
什么是聚类分析？聚类算法有哪几种？
回复于： 21:40:10聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。& & & 聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。& &
聚类分析计算方法主要有如下几种：分裂法(partitioning methods)：层次法(hierarchicalmethods)：基于密度的方法(density-based methods): 基于网格的方法(grid-based methods): 基于模型的方法(model-based methods)。
快速回复【花三五分钟，帮别人解决一个问题，快乐自己一天！】
回复于： 21:40:10
聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。& & & 聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。& &
聚类分析计算方法主要有如下几种：分裂法(partitioning methods)：层次法(hierarchicalmethods)：基于密度的方法(density-based methods): 基于网格的方法(grid-based methods): 基于模型的方法(model-based methods)。
问答用户推荐 回答数：0
未解决问题基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理--《苏州大学》2011年硕士论文
基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理
【摘要】：基因中包含着大量的遗传信息,对这些信息的研究有着深远的意义。但是以往的研究方法在处理高通量的基因信息时效率低下,于是80年代中期一种高效准确的基因芯片技术应运生。基因芯片有广泛的应用领域,是科研的一个热点方向。图像处理则是基因芯片应用中不可或缺的一个重要步骤,通过有效的图像处理可高效精确的获得芯片所包含的高通量信息。因此基因芯片的图像处理有着非常重要的研究意义。
本文主要针对基因芯片的图像处理进行研究。对图像处理包含的主要步骤:图像预处理,网格定位,图像分割以及分割效果的评价,信号提取分别进行了介绍。图像预处理和网格定位都是为了分割能够更好更准确的进行。分割是图像处理的难点,分割的好坏直接影响最终信号提取的结果。所以本文将基因芯片图像分割技术作为重点。
本文对于基因芯片的图像分割的整个过程展开了全面的研究,从分割算法到算法的评价都进行了详细的阐述。并且在总结前人的分割算法的基础上,提出了一种基于Fuzzy c-means聚类的自适应基因芯片图像分割方法,并且在此算法的基础上进行了进一步的改进提出了基于粒子群优化的Fuzzy c-means聚类的基因芯片图像分割算法,比原先的聚类方法抗噪能力更强,且不容易陷入局部最优。
为了更客观的评价算法的分割效果,本文介绍了多种分割算法评价准则,并提出了一种使用合成图像对基因表达比率进行最终测量精度评价的准则。最终使用多种评价准则对于常用的基因芯片图像分割方法和本文提出的分割算法进行了评价和比较。
【关键词】：
【学位授予单位】：苏州大学【学位级别】：硕士【学位授予年份】：2011【分类号】：TP391.41【目录】：
摘要4-5Abstract5-9第一章 绪论9-13 1.1 选题的依据与意义9-10 1.2 基因芯片图像处理的研究现状10-11 1.3 论文各部分主要内容11-13第二章 基因芯片概况13-16 2.1 基因芯片简介13 2.2 基因芯片制备13-14 2.3 基因芯片技术的应用领域与意义14-16第三章 基因芯片图像预处理16-30 3.1 灰度处理16-19
3.1.1 灰度转换16
3.1.2 常用的灰度变换处理16-19 3.2 滤波处理19-29
3.2.1 主要的噪声模型20-21
3.2.2 频率域滤波21-29 3.3 本章小结29-30第四章 网格定位30-35 4.1 网格定位概述和常用方法30 4.2 常用的网格定位方法30-31 4.3 基于像素投影的网格定位31-34 4.4 本章小结34-35第五章 基因芯片图像分割35-73 5.1 图像分割概述35-36 5.2 常用的图像分割方法36-39
5.2.1 基于像素不连续性的分割算法36-37
5.2.2 基于像素相似性的分割算法37-39 5.3 常用的基因芯片图像分割算法39-46
5.3.1 固定圆分割法39-41
5.3.2 自适应圆分割法41-42
5.3.3 基于形态学分水岭的分割方法42-45
5.3.4 基于Mann-whitney 检验的分割方法45
5.3.5 Matarray 分割算法45-46 5.4 基于Fuzzy c-mean 聚类算法的基因芯片图像分割方法46-48 5.5 基于模糊核聚类算法的基因芯片图像分割方法48-50 5.6 基于粒子群优化的Fuzzy c-mean 聚类算法的基因芯片图像分割方法50-56
5.6.1 粒子群算法50-51
5.6.2 基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像分割方法51-56 5.7 图像分割效果评价56-67
5.7.1 分析方法的常用准则58-59
5.7.2 优度值方法常用准则59-60
5.7.3 误差测量方法60-61
5.7.4 最终测量精度准则61-63
5.7.5 合成图的优点和使用63-67 5.8 基于最终精度准则的基因芯片图像分割效果评价67-71 5.9 综合评价71-72 5.10 本章小结72-73第六章 信号提取73-79 6.1 信号强度计算73-74 6.2 可视化表达74-77 6.3 本章小结77-79第七章 结论与展望79-81参考文献81-86攻读学位期间本人出版或公开发表的论著、论文86-87致谢87-88
欢迎：、、)
支持CAJ、PDF文件格式
【引证文献】
中国硕士学位论文全文数据库
瞿明智;[D];苏州大学;2012年
王奇;[D];苏州大学;2013年
【参考文献】
中国期刊全文数据库
李红卫;苑伟政;叶芳;;[J];传感技术学报;2007年02期
孙啸,王晔,张晓莉,谢建明,陆祖宏;[J];东南大学学报(自然科学版);2000年05期
胡翔宇;唐小萍;;[J];光电工程;2006年03期
孙继勇;鲁晓杰;;[J];国际检验医学杂志;2009年05期
张利彪;周春光;马铭;刘小华;孙彩堂;;[J];吉林大学学报(理学版);2006年02期
武拴虎,严洪;[J];计算机工程与应用;2005年02期
刘向东;沙秋夫;刘勇奎;段晓东;;[J];计算机工程;2006年06期
袁方;周志勇;宋鑫;;[J];计算机工程;2007年03期
匡泰;朱清新;孙跃;;[J];计算机应用;2006年04期
侯志荣,吕振肃;[J];计算机仿真;2003年10期
中国硕士学位论文全文数据库
李照宇;[D];天津大学;2003年
张瑜;[D];南京理工大学;2006年
李丽丽;[D];山东师范大学;2009年
秦明;[D];吉林大学;2010年
曾璐;[D];武汉理工大学;2010年
王永莉;[D];上海交通大学;2010年
王延翔;[D];北京邮电大学;2010年
【共引文献】
中国期刊全文数据库
杨海蓉;;[J];合肥师范学院学报;2011年03期
张杰;张伯虎;赵娟;;[J];安防科技;2006年04期
蒲东兵;马志强;庞长明;孙英娟;于哲舟;;[J];安防科技;2008年02期
黄加翼;乔梁;;[J];安防科技;2011年03期
李玲玲;辛浩;;[J];安徽电子信息职业技术学院学报;2011年05期
张根耀,李竹林,赵宗涛;[J];安徽大学学报(自然科学版);2003年03期
叶庆;赵明辉;李菲;李彬;范彬;;[J];安徽大学学报(自然科学版);2008年06期
田丽;黄世伟;李泽应;王军;;[J];安徽工程科技学院学报(自然科学版);2007年02期
汪建;杜世平;王开明;;[J];安徽农业科学;2006年10期
芦垒;欧阳峰;骆珍珍;;[J];安徽农业科学;2008年33期
中国重要会议论文全文数据库
赵建玉;贾磊;陈月辉;张勇;;[A];第二十六届中国控制会议论文集[C];2007年
韩敏;范剑超;;[A];第二十七届中国控制会议论文集[C];2008年
翁桂荣;;[A];第二十九届中国控制会议论文集[C];2010年
李晋武;张娟;邹丽晖;;[A];中国自动化学会控制理论专业委员会A卷[C];2011年
李延辉;张玉通;魏引尚;;[A];安全高效矿井安全保障技术——陕西省煤炭学会学术年会论文集（2011）[C];2011年
江萍;;[A];'2003系统仿真技术及其应用学术交流会论文集[C];2003年
李莲;闫志洋;;[A];中国仪器仪表学会第十三届青年学术会议论文集[C];2011年
徐刚;陈立平;张瑞瑞;;[A];中国农业工程学会2011年学术年会论文集[C];2011年
谢红薇;颜冬冬;郭美霞;王秋霞;李园;曹坳程;;[A];植保科技创新与病虫防控专业化——中国植物保护学会2011年学术年会论文集[C];2011年
叶乐军;王强;;[A];中国职业安全健康协会2007年学术年会论文集[C];2007年
中国博士学位论文全文数据库
于化龙;[D];哈尔滨工程大学;2010年
谭枫;[D];哈尔滨工程大学;2010年
谭佳琳;[D];哈尔滨工程大学;2010年
李桃迎;[D];大连海事大学;2010年
许志远;[D];大连海事大学;2010年
李永芹;[D];中国海洋大学;2010年
张永林;[D];华中科技大学;2010年
丁和艳;[D];华中科技大学;2010年
许光辉;[D];黑龙江中医药大学;2010年
吕宁;[D];哈尔滨理工大学;2009年
中国硕士学位论文全文数据库
张月兴;[D];华中农业大学;2010年
何慧娟;[D];安徽工程大学;2010年
周雪梅;[D];河南理工大学;2010年
田继辉;[D];河南理工大学;2010年
刘桂珍;[D];山东科技大学;2010年
李瑞波;[D];山东科技大学;2010年
马莉;[D];山东科技大学;2010年
徐强;[D];山东科技大学;2010年
蔡静颖;[D];辽宁师范大学;2010年
梁竞;[D];广西师范学院;2010年
【同被引文献】
中国期刊全文数据库
杨晓娟;宋凯;;[J];成都大学学报(自然科学版);2009年02期
魏晋相;汪华章;何小海;;[J];成都信息工程学院学报;2008年06期
姜慧研;司岳鹏;雒兴刚;;[J];东北大学学报;2006年04期
杨晖,曲秀杰;[J];电脑开发与应用;2005年03期
张燕红;孔波;邢翠芳;杜晶;;[J];电脑知识与技术;2009年34期
冯清枝;[J];广东公安科技;2004年02期
李明;李云松;;[J];兰州理工大学学报;2007年03期
杨治明;王晓蓉;彭军;陈应祖;;[J];计算机科学;2007年03期
曾妍婷,朱宏擎;[J];武汉理工大学学报(交通科学与工程版);2004年03期
王晓华;马大庆;;[J];临床放射学杂志;2006年06期
中国硕士学位论文全文数据库
郭元卡;[D];西安电子科技大学;2011年
孙伟;[D];南京航空航天大学;2010年
饶海涛;[D];苏州大学;2005年
王伟;[D];西安电子科技大学;2007年
翟代庆;[D];山东大学;2007年
苏建;[D];苏州大学;2009年
朱嵬鹏;[D];江南大学;2009年
胡鹏;[D];南京理工大学;2010年
李庆玲;[D];北京交通大学;2010年
蔡磊;[D];西安石油大学;2010年
【二级引证文献】
中国硕士学位论文全文数据库
王奇;[D];苏州大学;2013年
【二级参考文献】
中国期刊全文数据库
马平,唐小萍,罗正全,付小芳;[J];微纳电子技术;2003年05期
李英丽;[J];标记免疫分析与临床;2002年02期
张润锋,陈宏;[J];黄牛杂志;2002年03期
田捷,诸葛婴,王靖,罗希平,胡志刚,刘宁宁,戴汝为;[J];CT理论与应用研究;1999年02期
孙啸,王晔,张晓莉,谢建明,陆祖宏;[J];东南大学学报(自然科学版);2000年05期
高浩军,杜宇人;[J];电子工程师;2004年08期
丁震，胡钟山，杨静宇，唐振民;[J];电子学报;1997年05期
裴继红,谢维信;[J];电子学报;1999年10期
薛景浩,章毓晋,林行刚;[J];电子学报;1999年10期
高新波,裴继红,谢维信;[J];电子学报;2000年04期
中国博士学位论文全文数据库
王晓丹;[D];西北工业大学;2000年
张爱华;[D];华中科技大学;2004年
董鸿燕;[D];国防科学技术大学;2008年
中国硕士学位论文全文数据库
孟小旋;[D];广西大学;2002年
丁胜;[D];南京理工大学;2003年
邓宁;[D];浙江大学;2004年
张春平;[D];河北工业大学;2004年
李轶博;[D];河北工业大学;2004年
李照宇;[D];天津大学;2003年
袁湘;[D];中南大学;2005年
【相似文献】
中国期刊全文数据库
顾嗣杨,施鹏飞;[J];数据采集与处理;1993年02期
程存学,李锋;[J];数据采集与处理;1993年03期
梁德群;阮文;;[J];模式识别与人工智能;1995年04期
;[J];电子科技大学学报;1996年01期
魏晓丽,殷健;[J];计算机应用;2000年09期
杨明,宋雪峰,王宏,张钹;[J];计算机工程与应用;2001年09期
胡茂海,陶纯堪,卞松龄,高万荣,杨晓春;[J];应用光学;2001年01期
何志彪;张新访;童敏;王同洋;周济;朱光喜;;[J];计算机科学;2001年10期
林阿岚;;[J];电子测试;2001年05期
林松涛,范成博,张钢;[J];计算机应用;2003年02期
中国重要会议论文全文数据库
张春霞;魏小林;阳德志;王阳;盛宏至;;[A];第七届全国实验流体力学学术会议论文集[C];2007年
王晓蕾;杨健;;[A];第三届长三角气象科技论坛论文集[C];2006年
梁威;沈昱明;;[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年
杨浩;袁海文;彭琴;武新成;;[A];2010全国虚拟仪器大会暨MCMI2010’会议论文集[C];2010年
魏国强;胡敏良;;[A];第十六届全国水动力学研讨会文集[C];2002年
茹海峰;殷业;;[A];第三届全国信息获取与处理学术会议论文集[C];2005年
刘春桐;赵兵;张志利;仲启媛;;[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年
梁爽;鲁志波;;[A];2005中国控制与决策学术年会论文集（上）[C];2005年
黄秀声;余伟;陈银莉;;[A];全国炼钢连铸过程自动化技术交流会论文集[C];2006年
王璿;孔令富;冯建周;;[A];2006年中国机械工程学会年会暨中国工程院机械与运载工程学部首届年会论文集[C];2006年
中国重要报纸全文数据库
刘焱彬;[N];电子报;2001年
编译;[N];中国摄影报;2006年
孙婧;[N];西部法制报;2008年
武文;[N];中国质量报;2008年
殷幼芳;[N];中国包装报;2005年
金彧;[N];中国电脑教育报;2002年
;[N];中国电子报;2009年
本报记者 刘晖;[N];计算机世界;2003年
赵军红　编译;[N];科技日报;2010年
;[N];中国计算机报;2002年
中国博士学位论文全文数据库
余庆军;[D];华南理工大学;2004年
程光权;[D];国防科学技术大学;2010年
张旗;[D];大连海事大学;2005年
王朝阳;[D];清华大学;1999年
倪超;[D];中国协和医科大学;1995年
张东梅;[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2006年
刘斌;[D];天津大学;2010年
王保平;[D];西安电子科技大学;2004年
石永华;[D];华南理工大学;2001年
王明祥;[D];上海大学;2005年
中国硕士学位论文全文数据库
邹洋;[D];哈尔滨工业大学;2010年
谢虎;[D];东北大学;2008年
裴暑云;[D];武汉工业学院;2010年
朱杰;[D];河北科技大学;2010年
陈帅;[D];南京理工大学;2012年
汤婵;[D];华东师范大学;2010年
王娜;[D];石河子大学;2009年
陈亭;[D];电子科技大学;2010年
崔明;[D];沈阳大学;2010年
孟宣宣;[D];华中科技大学;2011年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号}