模糊C均值聚類的案例
266 基于matlab的FCM+KFCM模糊C均值聚類分析算法 ￥25.9
基于matlab的FCM+KFCM模糊C均值聚類分析算法，輸入分割對象，對分割對象進行參數設置，包括分割類別數，核參數。輸出分割結果。具有GUI操作界面。程序已調通，可直接運行。
243 基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(FCM_S) ￥19.89
基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(FCM_S),廣義的模糊C均值(GFCM)算法，基于核的改進的模糊c均值聚類算法（KFCM）,基于核的廣義模糊c均值聚類算法KGFCM的圖像分割方法。程序已調通，可直接運行。
基于遺傳模擬退火算法的聚類算法-matlab
源碼如下： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %功能：遺傳模擬優化初始聚類中心示例 %環境：Win7，Matlab2015b %Modi: C.S %時間：2022-07-09 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 清空環境 clc clear all close all tic load X m=size(X,2);% 樣本特征維數 % 中心點范圍[lb;ub] lb=min(X); ub=max(X); %% 模糊C均值聚類參數 % 設置冪指數為3，最大迭代次數為20，目標函數的終止容限為1e-6 options=[3,20,1e-6]; % 類別數cn cn=4; %% 模擬退火算法參數 q =0.8; % 冷卻系數 T0=100; % 初始溫度 Tend=99.999; % 終止溫度 %% 定義遺傳算法參數 sizepop=10; %個體數目(Numbe of individuals) MAXGEN=100; %最大遺傳代數(Maximum number of generations) NVAR=m*cn; %變量的維數 PRECI=10; %變量的二進制位數(Precision of variables) pc=0.7; pm=0.01; trace=zeros(NVAR+1,MAXGEN); %建立區域描述器(Build field descriptor) FieldD=[rep([PRECI],[1,NVAR]);rep([lb;ub],[1,cn]);rep([1;0;1;1],[1
展開 軍用地面無人機動平臺技術發展綜述
該算法采用雙模糊C-均值聚類方法提取野外樹木特征點,并使用擴展卡爾曼濾波進行同時定位和建立地圖[62]。Tamjidi等融合激光雷達數據和單目相機數據,提出了基于單點RANSAC-擴展卡爾曼濾波方法SLAM算法,用于無人機動平臺在無GPS信號環境下的位置估計,其估計誤差小于總路徑長度的1.9%[63].Su等提出了一種結合擴展卡爾曼濾波-無跡卡爾漫濾波的無人機動平臺的SLAM算法,該方法被證明比傳統擴展卡爾曼濾波-SLAM算法有更高的位置精度和航向精度[64]。
3.2 運動規劃技術
可靠和數值高效的運動規劃算法是無人機動平臺導航技術的核心,也是體現無人機動平臺智能化水平的關鍵技術。單一環境下的運動規劃問題已經很具有挑戰性,在復雜（城市與越野）環境下的無人機動平臺的運動規劃需要考慮更多的約束：平臺底盤的運動學、動力學約束、環境約束、擾動的操作環境、狀態空間的高度不確定性等等。與此同時,無人機動平臺通常行駛速度較高,而且需要適應動態環境的特點要求運動規劃系統能夠在有限的時間里生成一條滿足運動學、動力學約束的無碰撞軌跡。從運動規劃系統的結構框架來說,運動規劃算法可以分成全局運動規劃方法、局部運動規劃方法、分層式運動規劃方法。
基于計算機圖形學的全局運動規劃方法[65],由于其不可接受的計算復雜度[66],要求已知完備的環境信息、重規劃耗時等原因,不適用于解決實際應用中帶時間約束的運動規劃問題。與全局運動規劃方法相比,局部運動規劃方法[67-68]更高效,不需要完備的環境信息,并且可以考慮車輛的非完整性約束和動力學約束,但是這種方法只使用了局部環境信息或是局部最優,極有可能使規劃算法陷入局部最小。考慮到純全局和反應式運動規劃方法的局限,一種分層式的運動規劃方法[13,20,69-70]被提出。
展開 
