FCM算法的有效性很大程度上局限于类内紧致、类间较好分离以及球状的星团,虽然可以采用映射非线性数据到高维特征空间来解决这个问题,然而在高维特征空间里面,对于核的选择有的时候很复杂。为此,本文提出了面向多核的可能性模糊C均值聚类算法,在模糊聚类的基础上融入多核、可能性的概念,引入动态核的权重,通过多核的方式可以有效解决模糊C均值聚类算法所在的不足。进一步地,该算法能够规避普通核算法对于核函数选择的不确定性,增加了算法的抗变换性,对于挑选的多核函数,凭借权重组合能够满足不同的数据或者图像对于各种核函数的偏好需求,计算出最佳匹配的权重值。在没有任何先验知识的情况下,不仅可以对数据进行准确的划分,而且还可以划分非线性团状样本。本硕士论文主要工作包括如下几个方面:(1)简单介绍了几种比较经典的模糊聚类方法。FCM算法、PFCM算法、KFCM算法等。阐述了改进的FCM算法的研究现状,分析了相应的不足,比如对离群点,噪声点敏感的问题、在高维空间分类正确率过低的问题、容易产生一致性聚类的问题、以及核函数的选择问题。(2)提出面向多核的可能性模糊C均值聚类算法。在模糊核聚类的基础上融入多核、可能性的特点,有效地利用可能性聚类算法以及模糊C均值聚类方法的优点,规避了对核函数选择的权重难题,避免了FCM算法对离群点比较敏感以及PCM算法聚类时候容易产生一致性聚类的问题。进一步地,通过映射数据到高维数据空间,进行非线性的数据运算,增加了算法的鲁棒性。(3)提出了面向图像分割的多核可能性模糊聚类(EMKPFC)算法。算法能够规避普通核算法对于核函数选择的不确定性,增强了算法对于噪声点的鲁棒性,同时在多核的基础上考录到了邻域像素的相关知识。对于挑选的多种核函数,凭借权重组合能够满足不同图像对于各种核函数的偏好需求,计算出最佳匹配的权重值。