1) Fast fuzzy c means clustering algorithm
快速模糊C均值聚类算法
2) Fast Fuzzy C-means Clustering
快速模糊C均值聚类
1.
Research on Multiple People Tracking Based on Temporal Color Feature and Fast Fuzzy C-means Clustering;
首先用一种改进的背景减除方法检测行人的运动轮廓;然后将检测出的行人的轮廓区域分割成代表单人的轮廓区域;再用快速模糊C均值聚类的算法提取每个人的颜色特征;最后利用点特征和颜色特征对多人进行跟踪,并且在跟踪的过程中利用时间颜色权值来消除噪声对颜色信息干扰。
3) fast fuzzy c-means algorithm
快速模糊C-均值算法
1.
This paper adopts the AFORBF training algorithm which is the combination of the fast fuzzy c-means algorithm(AFCM) and the orthogonal least squares(OLS) algorithm.
针对此问题该文采用了一种基于快速模糊C-均值算法(AFCM)和正交最小二乘法(OLS)算法相结合的AFORBF训练算法;试验证明,AFORBF算法解决了RBF在入侵检测系统中处理大数据量时间过长的问题,获得了较高的检测率,简化了网络结构,提高了网络性能。
4) QFCM algorithm
快速模糊C-均值聚类方法
补充资料：动态模糊聚类法
分子式：
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条