自适应模糊C均值聚类在数据融合中的新算法

"这篇论文研究了一种自适应模糊C均值聚类的数据融合算法，旨在解决基于改进模糊聚类的数据融合方法存在的不精确性和低可信度问题。此算法应用于多同质传感器在缺乏先验知识时对同一目标特征的测量数据融合。通过引入自适应系数以适应不同形状和大小的聚类子集，提高了融合精度。同时，结合卡尔曼滤波和多层感知机神经网络预测法优化误差协方差估计，提升了融合的可信度。实验结果显示，与七种经典数据融合算法比较，该算法在四个模拟数据集和真实数据集上的表现更优，特别是在判别函数和融合误差方面具有显著优势。" 详细知识点： 1. **数据融合**：数据融合是将来自不同时间、空间或源的多传感器数据集成，以提供更准确、全面的信息，用于决策和估计。它是对现实世界的认知模拟，最初在军事雷达目标识别中应用。 2. **自适应模糊C均值聚类**：模糊C均值聚类（Fuzzy C-Means, FCM）是一种常见的聚类算法，它允许数据点同时属于多个类别，且每个数据点有不同程度的“隶属度”。自适应模糊C均值聚类在此基础上引入了自适应系数，能更好地适应不同形状和大小的聚类，从而提高数据融合的准确性。 3. **多传感器**：在多传感器系统中，多个传感器同时获取同一目标的不同信息，通过数据融合可以提升信息的完整性和可靠性。 4. **无先验知识**：在没有预先了解传感器性能或目标特征的情况下，该算法能够有效地融合数据，增加了算法的实用性。 5. **卡尔曼滤波**：卡尔曼滤波是一种在线性高斯噪声下的最优状态估计方法，它可以利用过去和当前的观测来估计系统的状态，适用于动态系统的预测和误差修正。 6. **多层感知机神经网络**：多层感知机（Multilayer Perceptron, MLP）是前馈神经网络的一种，可以学习复杂的非线性关系。在本文中，它被用于误差协方差的预测，有助于提高数据融合的可信度。 7. **误差协方差估计**：误差协方差是衡量数据不确定性的重要指标，通过对误差协方差的准确估计，可以评估融合结果的可靠性。 8. **融合可信度**：通过优化误差协方差估计，该算法提高了数据融合的可信度，意味着融合后的结果更可靠，更接近真实情况。 9. **实验比较**：论文通过与7种经典数据融合算法的对比实验，证明了新算法在多个数据集上的优越性，特别是在降低融合误差和提高判别功能方面。 10. **文献标志码A**：表示这是一篇应用型科技论文，具有实际应用价值。 11. **中图分类号**：TP391（计算机科学）和TP181（通信技术），反映了论文的主题领域。 12. **DOI**：doi:10.3778/j.issn.1002-8331.1811-0044 是论文的数字对象标识符，用于唯一标识和检索该论文。