肖滿生 肖哲

摘要：

針對傳統(tǒng)模糊C均值（FCM）算法在聚類過程中存在收斂速度慢、對大數(shù)據(jù)處理實(shí)時性不強(qiáng)等問題，提出了一種基于懲罰因子的樣本隸屬度改進(jìn)算法。首先分析抑制式模糊C均值（SFCM）聚類特點(diǎn)，研究懲罰因子對樣本隸屬度修正的觸發(fā)條件，進(jìn)而設(shè)計出基于懲罰因子的SFCM聚類隸屬度動態(tài)修正算法。通過算法實(shí)現(xiàn)樣本向“兩極移動”，達(dá)到快速收斂之目的。理論分析與實(shí)驗結(jié)果表明，在相同的初始化條件下，改進(jìn)算法的執(zhí)行時間效率比傳統(tǒng)FCM算法提高約40%，比基于優(yōu)化選擇的SFCM（OSSFCM）算法提高10%，其聚類準(zhǔn)確度與其他兩種算法相比也有一定的提高。

關(guān)鍵詞：

抑制式模糊C均值；懲罰因子；模糊隸屬度；快速收斂

中圖分類號：

TP391.4

文獻(xiàn)標(biāo)志碼：A

Abstract：

Aiming at the problem of slow convergence and weak realtime processing of large data in general Fuzzy CMeans （FCM） algorithm， an improved method of penalty factor on sample membership was proposed. Firstly， the characteristics of Suppressed Fuzzy CMeans （SFCM） clustering were analyzed， and the trigger condition for adjusting sample membership by penalty factor was studied， and then the dynamic membership adjusting scheme of SFCM based on penalty factor was designed. By using the algorithm， the samples are “moved to the poles” to achieve the purpose of rapid convergence. Theoretical analysis and experimental result show that under the same initial condition， the execution time efficiency of the improved algorithm is increased by 40% and 10% respectively compared with the traditional FCM and OptimalSelectionbased SFCM （OSSFCM）， at the same time， the clustering accuracy is also improved.

英文關(guān)鍵詞Key words：

Suppressed Fuzzy CMeans （SFCM）； penalty factor； fuzzy membership； fast convergence

0引言

基于目標(biāo)函數(shù)的模糊C均值 （Fuzzy CMeans， FCM） 聚類在20世紀(jì)七八十年代由Dunn[1]提出、并由Bezdek等[2-3]完善和發(fā)展，它是一個帶約束的非線性規(guī)劃過程，通過迭代優(yōu)化獲得樣本集的模糊劃分或聚類。與傳統(tǒng)的硬C均值（Hard CMeans， HCM）聚類算法相比，F(xiàn)CM聚類把HCM聚類的隸屬度從{0，1}二值集合擴(kuò)展到了[0，1]區(qū)間，從而把非此即彼的硬聚類推廣到亦此亦彼的模糊聚類，建立了樣本分屬于各個類的不確定性程度，因此能更客觀地反映現(xiàn)實(shí)世界。然而，F(xiàn)CM聚類的一個不可忽視的缺點(diǎn)是算法的收斂速度慢，特別是在處理大型復(fù)雜的數(shù)據(jù)集時，其實(shí)時性不強(qiáng)而失去應(yīng)用價值。針對這個問題，本世紀(jì)初范九倫Fan等[4]提出了一種既能體現(xiàn)HCM聚類的快速性、又能反映FCM聚類準(zhǔn)確性的抑制式模糊C均值（Suppressed Fuzzy CMeans， SFCM）聚類算法，該算法基于競爭學(xué)習(xí)思想[5]，在模糊聚類迭代優(yōu)化求解過程中引入懲罰因子α，通過對樣本的最大隸屬度進(jìn)行獎勵的同時對其他隸屬度進(jìn)行抑制，使樣本快速向最大隸屬度對應(yīng)的聚類原型靠近，從而達(dá)到快速收斂之目的。

然而，文獻(xiàn)[4]提出的SFCM算法在實(shí)際應(yīng)用中又發(fā)現(xiàn)了幾個問題亟待解決：一是懲罰因子α的確定問題，包括α是動態(tài)取值還是固定取值、α的取值范圍、取值方法等；二是樣本在什么情況下其隸屬度需要修正，包括獎勵或抑制，即當(dāng)樣本的最大隸屬度為0.5左右時，或樣本對任何類的隸屬度近似相等，這時對隸屬度的獎勵或抑制也就失去了意義。針對這些問題，目前眾多專家學(xué)者都在進(jìn)行研究，且取得了一系列的研究成果[6-18]，如關(guān)于懲罰因子α的設(shè)計問題，臺灣學(xué)者楊敏生教授及其學(xué)生等通過深入研究，給出了SFCM算法中懲罰因子α的柯西型指數(shù)固定選擇公式[8-9]，并在磁共振圖像（Magnetic Resonance Image， MRI）分割中進(jìn)行了實(shí)驗，該方法對模糊聚類收斂速度有所改進(jìn)，但效果不明顯；羅馬尼亞和匈牙利學(xué)者Szilgyi等[6-7，12] 基于競爭學(xué)習(xí)思想，提出了7種α因子的固定設(shè)計函數(shù)，并在測試過程中與傳統(tǒng)FCM算法進(jìn)行了比較，但他們并沒有給出α函數(shù)設(shè)計的理論依據(jù)和推導(dǎo)過程，也沒有給出其設(shè)計的物理意義；Lan等[10]和蘭紅等[18]綜合圖像像素的空間信息，通過在圖像聚類分割中動態(tài)設(shè)置懲罰因子來提高聚類收斂速度，對大型圖像處理有一定的實(shí)際意義，但該方法僅限于灰度圖像，對其他樣本聚類沒有意義。關(guān)于何時樣本隸屬度需要調(diào)整的問題，Zhao等[11]提出了一種基于圖像像素灰度值的加權(quán)排名來選擇樣本隸屬度的抑制策略，即排名靠前的樣本隸屬度需要修正、靠后的不修正；黃建軍等[16]則在SFCM算法中引入一個抑制門限，只有超過門限值的樣本最大隸屬度才得以修正，其他則不修正。但這兩種方法又引入了新的問題，包括排名靠前的合理比例、抑制門限值的具體選擇等。此外，人們還提出了懲罰因子的其他問題與選擇方法，如國內(nèi)學(xué)者Li等[14]給出的基于模糊偏差的選擇方法，韓國學(xué)者Nyma等[13]提出的含有模糊加權(quán)指數(shù)m的懲罰因子選取方法，孟加拉國學(xué)者Saad等[15]基于圖像清晰度的抑制率選擇公式等。這些方法大部分是從具體應(yīng)用出發(fā)，給出了懲罰因子α的經(jīng)驗值，但沒有合理的推導(dǎo)過程和依據(jù)，不具備通用性；部分只考慮了單一因素，沒有綜合考慮懲罰因子的設(shè)計對其他參數(shù)設(shè)置的影響，甚至懲罰因子的引入破壞了其他模糊聚類參數(shù)，使聚類有效性并沒有得到實(shí)質(zhì)性的提高[19]。

針對上述問題，本文在國內(nèi)外研究的基礎(chǔ)上，提出了一種SFCM聚類懲罰因子α的改進(jìn)方法，綜合不同樣本特點(diǎn)來設(shè)計懲罰函數(shù)，實(shí)現(xiàn)模糊隸屬度的動態(tài)調(diào)整；同時也給出了懲罰因子α的自動觸發(fā)方法，即樣本隸屬度何時需要修正，從而達(dá)到SFCM聚類快速收斂之目的。

1.1通用SFCM聚類算法

SFCM聚類算法由范九倫（J. L. Fan）Fan等[4]于2003年提出，其的基本思想是基于懲罰對手的競爭機(jī)制，即假定樣本對離它最近的聚類原型（具有最大隸屬度）的吸引力最大，因而在每次優(yōu)化迭代過程中對其隸屬度進(jìn)行獎勵，來進(jìn)一步提高樣本對該聚類原型的吸引力而減小對其他聚類原型的吸引力，達(dá)到提高收斂速度之目的，同時也保證了良好的聚類精度。在SFCM迭代過程中，由于每次迭代都對隸屬度進(jìn)行修正，而每次修正后再求解得到的目標(biāo)函數(shù)值不一定等于修正前的值，因而SFCM聚類不能使目標(biāo)函數(shù)值最小化，其隸屬度值的修正只能在傳統(tǒng)模糊聚類中極小化目標(biāo)函數(shù)值后所得到的隸屬度的基礎(chǔ)上進(jìn)行。

1.2懲罰因子的改進(jìn)

懲罰因子α在聚類中起著重要作用。但如何合理選取α值，使得算法在實(shí)際應(yīng)用過程中既能保證良好的聚類精度，又能獲得較快的收斂速度，上述SFCM算法中并沒有具體給出，雖然目前諸多學(xué)者在此方面有過相關(guān)研究，但都存在一定的局限性（如引言中所述）；另外，一個樣本（如噪聲），它相對各聚類中心的隸屬度基本相等，或者它對各類的隸屬度都小于或等于0.5，這時如采用上述SFCM算法人為地獎勵其最大隸屬度，而抑制其他隸屬度，使該樣本強(qiáng)制性向“兩極”運(yùn)動，顯然沒有意義。因此，本文提出了一種懲罰因子α的改進(jìn)方法，以期較好解決上述問題。

設(shè)lij表示樣本xi到聚類中心vj的距離，uw為修正前樣本xi對各聚類中心的最大隸屬度，lw為對應(yīng)的距離，根據(jù)“強(qiáng)者更強(qiáng)、弱者更弱、兩極運(yùn)動、中間保持”的競爭機(jī)制，懲罰因子定義為：

α=uw（1-lw/∑cj=1lij）2（6）

理論分析：在模糊聚類中，樣本隸屬度的大小與樣本所在的位置有關(guān)，因此用于隸屬度修正的懲罰因子也應(yīng)當(dāng)與樣本的距離lij 有關(guān)。

1）當(dāng)樣本的最大隸屬度uw（設(shè)其所在的類為p）一定時，此時lw也為定值，相對于其他聚類中心（非p），如果lij（j≠p）越大，即樣本越遠(yuǎn)離該聚類中心，式（6）中α值越小，根據(jù)式（5）中的條件，其修正后的uij越小，即抑制程度越大；反之，其抑制程度越小。

2）當(dāng)uw很大時，因lij（lij=lw， j=p）較?。礃颖倦x該聚類中心很近），式（6）中α值則較大，根據(jù)式（5），修正后最大隸屬度變化量為：（1-α+αuw）-uw=（1-α）（1-uw）>0，從此可以看出，由于α和uw都很大，修正后的隸屬度增加不多，但uw已經(jīng)足夠大，再明顯增加已沒有意義。且uw越大，修正后的隸屬度增加得越少，反之亦然。

3）由于0

結(jié)合這些分析，可以實(shí)現(xiàn)SFCM算法中樣本隸屬度根據(jù)其特點(diǎn)動態(tài)調(diào)整，實(shí)現(xiàn)樣本較好分離，這樣既能保證聚類的質(zhì)量，又提高了聚類的收斂速度。

另外，一個噪聲樣本，由于它不屬于任何類，因此它對各類的隸屬度都很小，這樣的樣本，采用SFCM算法強(qiáng)制其靠近某類而遠(yuǎn)離其他類的意義不大；同樣，如果樣本的最大隸屬度值不超過0.5，即：uw≤0.5，采用SFCM算法的意義也不大，因此，懲罰因子α的約束條件為：

uij-1c∑cj=1uij>σ； i， j或uw>0.5（7）

其中：c為聚類數(shù)目，σ為一設(shè)定值。式（7）表明，如果樣本隸屬度與其對各類的平均隸屬度之差小于某一設(shè)定值或其最大隸屬度小于0.5，則該樣本的隸屬度無需修正，反之則修正。

算法描述：

步驟1對于給定樣本集X={x1，x2，…，xn}，設(shè)其初始聚類中心V（t）={v1，v2，…，vc}，c為聚類數(shù)，迭代次數(shù)t的初始值為0，最大迭代次數(shù)為T，聚類終止條件值為ε，模糊加權(quán)指數(shù)m。

步驟2基于傳統(tǒng)FCM聚類的求解過程，根據(jù)式（2）計算樣本隸屬度u（t）ij （i = 1，2，…，n， j = 1，2，…，c）。

步驟3根據(jù)式（4），找出樣本xi（i=1，…，n）對于各類的最大隸屬度uip，并求出樣本xi對于各類的平均隸屬度：1c∑cj=1uij。

步驟4如果隸屬度滿足式（7）（此時uip即式（7）中的uw），式（7）中的σ為一定值（如σ=0.05），則用式（6）計算SFCM算法中的懲罰因子α，并將α值代入式（5）對xi隸屬度進(jìn)行修正；如果樣本的隸屬度不滿足式（7），則α=1，代入式（5）后，隸屬度保持原值，不修正。

步驟5根據(jù)式（3），利用修正后的隸屬度，計算各類的聚類中心V（t+1）。

步驟6判斷是否終止迭代，如果V（t+1）-V（t）<ε，或者t≥T，則迭代終止，輸出V（t+1）；否則，t=t+1，轉(zhuǎn)到步驟2，繼續(xù)進(jìn)行。

從上面的實(shí)現(xiàn)過程可以看出，在迭代過程中，相對于傳統(tǒng)FCM聚類，樣本將以更快速度向隸屬度大的聚類中心“靠近”，同時也以較快的速度“遠(yuǎn)離”其他聚類中心，從而實(shí)現(xiàn)快速聚類，且不同的樣本，其懲罰因子會隨著聚類中心對它的“吸引力”大小不同而動態(tài)改變。另外，如果xi是噪聲樣本，則它相對于所有聚類的隸屬度都很小，且各隸屬度值也相差不大，根據(jù)式（7）可知，懲罰因子不起作用，其聚類過程等同于傳統(tǒng)FCM算法。

3實(shí)驗結(jié)果分析

為驗證本文改進(jìn)方法的有效性，本研究以圖像聚類分割

及UCI數(shù)據(jù)庫[20]中的相關(guān)數(shù)據(jù)集聚類劃分兩方面來進(jìn)行實(shí)驗。其中圖像實(shí)驗分別采用了標(biāo)準(zhǔn)測試圖像以及人造含噪聲的圖像作為實(shí)驗對象。實(shí)驗環(huán)境：PC Intel Pentium CPU G3220@3.00GHz（雙核），RAM 4GB，Windows 7操作系統(tǒng)、Matlab 7.0。同時，為了評價改進(jìn)方法的聚類效果，實(shí)驗中采用了傳統(tǒng)FCM算法（General Fuzzy CMeans， GFCM）以及文獻(xiàn)[11]中所提出的最新基于優(yōu)化選擇的抑制式模糊C均值聚類算法（OptimalSelectionbased Suppressed Fuzzy CMeans， OSSFCM）進(jìn)行對比實(shí)驗。OSSFCM方法在聚類過程中通過對最大隸屬度排序，只有當(dāng)樣本最大隸屬度超過某一門限值（如排在最前面的61.8%，黃金分割點(diǎn)），懲罰因子才起作用，大量的實(shí)驗及應(yīng)用證明，OSSFCM算法是目前最有說服力的SFCM方法之一，因此用來作為對比實(shí)驗較為合適。另外，為了描述方便，本文所提出基于懲罰因子改進(jìn)的抑制式模糊C均值算法簡稱IαSFCM（Improved the factor α in Suppressed Fuzzy CMeans）。實(shí)驗中主要評價指標(biāo)包括：1）運(yùn)行時間（Runtime），指完成聚類迭代所需的時間，包括懲罰因子α的計算時間等，單位為s（second），但不包括圖像重建等后續(xù)處理時間。2）分割精度（Segmentation Accuracy， SA），定義為：在標(biāo)準(zhǔn)測試圖像聚類分割中，正確分割的像素占圖像總像素的百分比；在人造樣本圖像中則為迭代終止后的聚類中心與原始（正確）的聚類中心的重合度，用1-vj′-vjmaxni=1（xi-vj）表示，其中vj′-vj表示算法執(zhí)行后聚類中心與原始中心的距離，maxni=1（xi-vj）表示各樣本與vj的最大距離，它是一個重要的圖像質(zhì)量評價指標(biāo)。3）聚類準(zhǔn)確度（Clustering Accuracy， CA），指正確聚類的樣本數(shù)與樣本集中樣本總數(shù)之比。需要說明的是，F(xiàn)CM算法在聚類過程中對初始值的選取極為敏感，即選擇不同的初始聚類中心對聚類結(jié)果（包括運(yùn)行時間、分割精度及聚類準(zhǔn)確度等）有很大影響，因此，本文在實(shí)驗過程中，為了能正確比較三種算法的聚類效果，選擇了同一初始聚類中心分別對三種算法進(jìn)行聚類實(shí)驗，至于初始聚類中心如何選取，包括自適應(yīng)選取方法等問題，目前國內(nèi)外已研究出了很多方法，可參考其他文獻(xiàn)，限于篇幅，本文不再一一詳述。

3.1圖像聚類分割實(shí)驗

采用2個圖像分別進(jìn)行實(shí)驗，一個是標(biāo)準(zhǔn)測試圖像Lena，大小為156×156像素，256級灰度，如圖1（a）所示；另一個是在干凈無噪聲的人造樣本數(shù)據(jù)集組成的圖上，加上30個均勻分布的噪聲點(diǎn)像素構(gòu)成的圖像，如圖2（a）、（b）所示，它由一大兩小三個樣本子集構(gòu)成（圖2（a）中3個黑粗點(diǎn)為原始類中心，為了突出實(shí)驗效果特別標(biāo)出，實(shí)際不存在），其主要參數(shù)如表1所示。實(shí)驗分別采用傳統(tǒng)的GFCM、OSSFCM以及本文的IαSFCM算法進(jìn)行聚類分割，每種算法各進(jìn)行50次聚類取平均值，其中迭代終止閾值（兩次迭代間聚類中心之差）ε=0.001，OSSFCM算法中的懲罰因子α取常規(guī)值0.5，懲罰因子α起作用分界點(diǎn)γ=0.618（黃金分割點(diǎn)，即按隸屬度值大小排序，前61.8%的隸屬度可用懲罰因子修正），IαSFCM中約束條件即式（7）中σ為0.01。三種算法對上述兩圖像聚類分割的效果如圖1（b）～（d）與圖2（c）所示。圖3（c）中黑粗點(diǎn)代表原始聚類中心、“◇”代表采用經(jīng)典GFCM算法聚類后得到的3個聚類中心、“（”代表采用OSSFCM算法得到的聚類中心，“*”代表采用本文IαSFCM算法得到的聚類中心，三種算法對上述兩圖實(shí)驗測得的運(yùn)行時間（Runtime）及分割精度（SA）如表2所示。

從圖1（b）～（d）及表2中Lena數(shù)據(jù)可以看出，在Lena圖像聚類分割實(shí)驗時，三種算法的實(shí)現(xiàn)效果差別不大，但在運(yùn)行時間上，IαSFCM算法比其他兩種方法要短，GFCM運(yùn)行時間最長，表明IαSFCM方法確實(shí)能提高收斂速度；同樣，對比圖2（c）及表2中人造樣本重合度SA值的可以看出，在有噪聲點(diǎn)存在的情況下，本文所提出的IαSFCM算法其聚類中心與原始中心的重合度最高、相應(yīng)的SA值也最大，另從表2中人造樣本的runtime也可以看出，IαSFCM算法運(yùn)行時間比經(jīng)典GFCM算法更短，與OSSFCM相比其運(yùn)行時間幾乎相等，這是因為在本文算法中設(shè)置的α因子約束條件對噪聲樣本隸屬度不起作用。

3.2UCI數(shù)據(jù)集實(shí)驗

本實(shí)驗采用來自UCI樣本庫[20]的6個樣本數(shù)據(jù)集Iris、Seeds、BreastCancer、Soybean、Segment以及Yeats進(jìn)行實(shí)驗，各數(shù)據(jù)集的基本組成如表3所示。實(shí)驗方法同3.1節(jié)，即分別采用經(jīng)典GFCM算法、優(yōu)化選擇算法OSSFCM與本文IαSFCM算法對上述6個樣本集進(jìn)行聚類實(shí)驗，每種算法各進(jìn)行50次取平均值，相關(guān)算法中的參數(shù)設(shè)置不變，本實(shí)驗主要對兩個聚類指標(biāo)進(jìn)行測定，一個是聚類的運(yùn)行時間Runtime，另一個是聚類準(zhǔn)確度和CA進(jìn)行測定，各算法在實(shí)驗中所得的結(jié)果如表4所示。

從表4可以看出，對于聚類準(zhǔn)確度指標(biāo)CA，三種算法對6個樣本集聚類所得到的值相差不大，且其準(zhǔn)確度都很高，表明三種算法都能很好地對真實(shí)數(shù)據(jù)集實(shí)現(xiàn)聚類劃分；但從運(yùn)行時間指標(biāo)Runtime上來看，三種算法中，經(jīng)典GFCM算法遠(yuǎn)大于其他兩種算法，IαSFCM算法在聚類過程中，除了樣本集Iris與Segment聚類，其運(yùn)行時間略長于OSSFCM算法外，其他4類樣本的運(yùn)行時間IαSFCM比OSSFCM算法都要少。

從上述兩個實(shí)驗可以看出，本文提出的改進(jìn)懲罰因子的SFCM算法在聚類過程中，在保證聚類質(zhì)量的前提下，其運(yùn)行時間更短，能更好地滿足那些實(shí)時性要求很高的樣本集處理，特別在含有噪聲點(diǎn)的圖像樣本的聚類分割中，其具有更大的優(yōu)勢。

4結(jié)語

本文基于競爭學(xué)習(xí)思想，利用樣本與聚類中心的關(guān)系，改進(jìn)了SFCM算法中的懲罰因子，便于樣本在聚類過程中根據(jù)自身特點(diǎn)進(jìn)行隸屬度的動態(tài)修正，實(shí)現(xiàn)快速聚類；同時在修正過程中，通過設(shè)置懲罰因子的約束條件，避免了包括噪聲樣本在內(nèi)的隸屬度較小的樣本在聚類中的過度修正。多次實(shí)驗結(jié)果表明，本文提出的改進(jìn)懲罰因子的SFCM聚類算法在保證聚類質(zhì)量的前提下，其算法的執(zhí)行速度比經(jīng)典的FCM算法快得多，比其他SFCM算法聚類的有效性也有較大的提高。本文的主要創(chuàng)新點(diǎn)在于：一是改進(jìn)SFCM算法的懲罰因子，實(shí)現(xiàn)模糊隸屬度在競爭修正過程中根據(jù)樣本自身特點(diǎn)的動態(tài)調(diào)整，即怎么抑制的問題；二是給出了α參數(shù)起作用的觸發(fā)條件，提出何時樣本的隸屬度需要抑制修正。需要指出的是，本文所提出的懲罰參數(shù)對隸屬度進(jìn)行修正后，其迭代終止后目標(biāo)函數(shù)值是否達(dá)到最小，是否同經(jīng)典FCM算法一樣也會收斂到局部極值點(diǎn)，這些問題有待進(jìn)一步研究論證。

參考文獻(xiàn)：

[1]

DUNN J C. Wellseparated clusters and the optimal fuzzy partitions [J]. Journal of Cybernet， 1974， 4（1）： 95-104.

[2]

BEZDEK J C. Pattern Recognition with Fuzzy Objective Function Algorithms [M]. Norwell， MA： Kluwer Academic Publishers， 1981： 34-41.

[3]

BEZDEK J C， KELLER J， KRISNAPURAM R， et al. Fuzzy Models and Algorithms for Pattern Recognition and Image Processing [M]. New York： Springer， 1999： 65-69.

[4]

FAN J L， ZHEN W Z， XIE W X. Suppressed fuzzy cmeans clustering algorithm [J]. Pattern Recognition Letters， 2003， 24（9/10）： 1607-1612.

[5]

張鋒，趙杰煜，朱紹軍. 可區(qū)分懲罰控制競爭學(xué)習(xí)算法[J].模式識別與人工智能，2014，27（5）：426-434.（ZHANG F， ZHAO J Y， ZHU S J. Discriminative rival penalization controlled competitive learning algorithm [J]. Pattern Recognition and Artificial Intelligence， 2014， 27（5）： 426-434.）

[6]

SZILGYI L， SZILGYI S M. Generalization rules for the suppressed fuzzy cmeans clustering algorithm [J/OL]. Neurocomputing， （20140415）[20140426]. http：//www. Science direct. com/science/article/ pci/s09252312140011263.

SZILGYI L， SZILGYI S M. Generalization rules for the suppressed fuzzy cmeans clustering algorithm [J]. Neurocomputing， 2014， 139（5223）： 298-309.

[7]

SZILGYI L， SZILGYI S M， BENYZ. Analytical and numerical evaluation of the suppressed fuzzy cmeans algorithm： a study on the competition in cmeans clustering models [J]. Soft Computing， 2010， 14（5）： 495-505.

[8]

HUNG W L， YANG M S， CHEN D H. Parameter selection for suppressed fuzzy cmeans with an application to MRI segmentation [J]. Pattern Recognition Letters， 2006， 27（5）： 424-438.

[9]

HUNG W L， CHEN D H， YANG M S. Suppressed fuzzysoft learning vector quantization for MRI segmentation [J]. Artificial Intelligence in Medicine， 2011， 52（1）： 33-43.

[10]

LAN H， JIN S B . An improved suppressed FCM algorithm for image segmentation [J]. Advanced Materials Research， 2013，712/713/714/715： 2349-2353.

[11]

ZHAO F， FAN J， LIU H. Optimalselectionbased suppressed fuzzy cmeans clustering algorithm with selftuning non local spatial information for image segmentation [J] . Expert System with Applications， 2014， 41（9）： 4083-4093.

[12]

SZILGYI L， SZILGYI S M， KISS C. A generalized approach to the suppressed fuzzy cmeans algorithm [M]// TORRA V， NARUKAWA Y， DAUMAS M. Modeling Decisions for Artificial Intelligence， LNCS 6408， Berlin： Springer， 2010： 140-151.

[13]

NYMA A， KANG M， KWON Y K， et al. A hybrid technique for medical image segmentation [J]. Journal of Biomedicine and Biotechnology， 2012， 2012（4）：213-219.

[14]

LI Y， LI G. Fast fuzzy cmeans clustering algorithm with spatial constraints for image segmentation [J]. Advances in Neural Network Research and Applications， Lecture Notes in Electrical Engineering， 2010，（67）：431-438.

LI Y， LI G. Fast fuzzy cmeans clustering algorithm with spatial constraints for image segmentation [C]// Advances in Neural Network Research and Applications， Lecture Notes in Electrical Engineering 67. Berlin： Springer， 2010： 431-438.

[15]

SAAD M F， ALIMI A M. Improved modified suppressed fuzzy cmeans [C]// Proceedings of the 2010 2nd International Conference on Image Processing Theory Tools and Applications. Piscataway， NJ： IEEE， 2010： 313-318.

[16]

黃建軍，謝維信.半抑制式模糊C均值聚類算法[J].中國體視學(xué)與圖像分析，2004，9（2）：109-113.（HANG J J， XIE W X. Halfsuppressed fuzzy cmeans clustering algorithm [J]. Chinese Journal of Stereology and Image Analysis， 2004， 9（2）： 109-113.）

[17]

TSAI H S， HUNG W L， YANG M S. A robust kernelbased fuzzy cmeans algorithm by incorporating suppressed and magnified membership for MRI image segmentation [C]// Proceedings of the 4th International Conference of Artificial Intelligence and Computational Intelligence， LNCS 7530. Berlin： Springer， 2012： 744-754.

[18]

蘭紅，閔樂泉.結(jié)合鄰域信息的改進(jìn)抑制式FCM圖像分割方法[J].電視技術(shù)，2013，37（17）：17-21.（LAN H， MIN L Q. Improved suppressed FCM algorithm for image segmentation based on neighborhood information [J]. Video Engineering， 2013， 37（17）： 17-21.）

[19]

范九倫.抑制式模糊C均值聚類研究綜述[J].西安郵電大學(xué)學(xué)報，2014，19（3）：1-5.（FAN J L. A brief overview on suppressed fuzzy Cmeans clustering [J]. Journal of Xian University of Posts and Telecommunications， 2014， 19（3）： 1-5.）

[20]

BACHE K， LICHMAN M. UCI machine learning repository [EB/OL]. [20151119].