基于模糊集的蚁群空间聚类方法研究

定义了对象间的平均距离,并将平均距离作为对象相似性的论域。通过隶属函数将对象间的相似性映射为论域上的一个模糊子集。由给定的置信水平λ,将模糊集分离为普通集,对蚂蚁是否拾起还是放下对象作出决策,实现对空间数据的聚类。并以矿山实际测量数据为空间数据源,采用基本的蚁群聚类算法和模糊蚁群空间聚类算法分别对其进行聚类。通过对这两种算法的实验结果进行分析比较,证明改进后的算法提高了聚类效果。     

一种改进的蚁群聚类分析算法

提出了一种改进的蚁群聚类分析算法。该算法改进了经典的LF算法。利用短期记忆和网格信息素的局部分布控制蚂蚁的随机移动,利用信息熵作为蚂蚁运动状态转换规则,通过对信息熵的计算与比较,更改了数据对象拾起和放下的判断规则。设置的参数减少了,不仅每次放下对象时能够减少小块区域的信息熵,拾起时能够增加小块区域的信息熵,还能加快聚类过程,达到好的聚类结果。结果表明,该算法显示出了较高的稳定性和准确率。     

基于空间自相关性和模糊集的空间数据噪声点检测算法

大数据时代数据纷繁复杂,同时在数据挖掘过程中数据质量又至关重要,数据质量的高低将直接影响数据挖掘结果的好坏,但现实中数据缺失和噪声数据的现象在所难免。针对上述问题,通过引入空间对象的自相关性理论和模糊集理论,提出一种基于空间自相关性和模糊集的空间数据噪声点检测算法。该算法首先运用邻域对象的空间自相关性理论,计算出特定对象与邻域内其他对象的距离,进而将距离以模糊隶属度的概念予以表达,最后通过与该属性的置信水平进行比较,以此来判定噪声数据。理论分析和实验对比结果均表明,该算法对于处理空间数据噪声点问题是有效可行的。     

具有全局记忆的LF蚁群聚类算法

针对传统的LF蚁群聚类算法中存在的收敛速度慢,蚂蚁空载导致的资源浪费以及易陷入局部最优等问题,提出了一种蚁群改进算法。算法初期采用直接分配原则,直接将蚂蚁随机放在数据对象上,并生成随机的全局记忆,在聚类时负载蚂蚁移动受到全局记忆的指导,利用余弦相似度判断最相似的记忆中心,并向该记忆中心移动,全局记忆在一次迭代完成后更新。当蚂蚁拾起数据对象失败时,为了减少蚂蚁再一次的随机移动所带来的资源浪费,采用相异原则将蚂蚁移动到下一个数据对象上。改进的算法在UCI数据集Iris、Wine、Glass和Robotnavigation上进行验证,算法在保证原有算法准确率的基础上明显提高了收敛速度。     

基于模糊集的连续域决策表属性约简算法

把模糊集和粗糙集结合起来,对连续域决策表属性约简算法进行研究。使用三角隶属度函数将连续属性值转化为模糊值。定义两模糊对象间的相似度、模糊对象的相似类以及连续属性在对象集上划分所形成的相似类集组成的特征向量。给出连续型属性的数字特征向量,以此为基础建立连续型属性间的相似矩阵。提出一个新的属性约简算法,并用一个实例加以验证。     

基于模糊关系的文本分类方法

为更好地对未标记文本进行分类,通过定义文本和类别的隶属函数,将测试文本和类别表示为特征的模糊集,计算模糊集之间的相关系数并用来度量测试文本到每个类别的隶属度,根据最大隶属度原则确定测试文本所属类别。实验结果表明,与k-NN算法相比,该方法有较好的准确率,分类速度有较大提高。     

自动生成量化属性模糊集的算法

提出一种由量化属性数据自动生成模糊集及其隶属函数的算法。该算法首先用聚类方法对每个量化属性进行聚类,求得聚类中心,最后通过聚类中心构造模糊集,定义隶属函数。     

补丁校准框架下的最大模糊边界投影

补丁校准是一类有效的维数简约框架。基于补丁校准框架,提出一种最大模糊边界投影算法。该算法引入模糊集理论,从样本的相似度出发,利用非负最小二乘法获取相似近邻,进而构造相似隶属度矩阵,依据相似隶属度矩阵重新定义了模糊边界补丁中心和模糊相似权重。模糊边界补丁中心能很好地降低(或消除)重叠(离群)样本对于特征提取的影响;而模糊相似权重明确了该样本对特征提取所做的贡献。在补丁校准框架下,同类样本间由光照、表情等变化所引起的差异能得到有效的压制,同时不同类样本间距离得以增大,有助于分类性能的提高。在UCI Wine、Yale和Yale-B数据库上的实验验证了所提方法的有效性。     

直觉模糊集（数）间相似度量新方法

直觉模糊集概念产生于模糊集概念,自Atanassov提出这个概念以来,已得到了众多研究者的关注并被应用到不同的领域。作为直觉模糊理论的一个重要研究内容,研究者已在不同文献中提出多种不同的直觉模糊集相似度量方法,但这些方法在一些特殊情况下并不总是有效。指出了影响直觉模糊集（数）相似度量的因素,分析了现有方法存在不足的原因,提出了一种综合考虑隶属度、非隶属度、犹豫度、核及其相互影响后的新的相似度量方法,指出并证明了该方法所具有的新的性质。数字实例表明该方法可以克服现存几种方法的缺陷,结果符合人们直觉,具有更强的区分数据能力。     

基于粗糙模糊集的不确定数据流聚类算法??

为解决高维和高不确定级别的数据流聚类问题,提出了一种针对不确定数据流的聚类算法HFMicro。引入粗糙模糊集理论,定义了一种新的不确定数据流模型,并利用隶属程度的上、下近似来描述微簇。根据粗糙模糊集间的相似程度来选择最合适的微簇。使用动态衰减窗口模型提高算法的效率和聚类效果。由于采用了离线聚类模式,使得算法具有较好的实时性。实验结果表明,该算法能够很好地处理高维和高不确定级别的数据流,同时兼容存在级不确定性和属性级不确定性,与现有算法相比效果更好。     

模糊信息系统中基于OWA算子的模糊粗糙集模型

在模糊信息系统中,属性值并不是一个确定的值,而是一个隶属度函数。因此,通过利用有序加权平均(OWA)算子聚合对象间在每个属性上的差异,刻画出对象之间的相似性,定义对象的相似度并讨论其相关性质。借助对象相似度,通过逻辑关系和相应的函数运算,分别给出了对象隶属于上、下近似集合的隶属度。最后,通过实例分析说明在模糊信息系统中,该相似度能较准确地刻画出对象的相似性,同时,对象对于上、下近似的隶属度能更直观、合理地反应对象隶属于某一集合的上、下近似的情况,且能更合理地描述这一粗糙集合。     

一种模糊概念格模型及其渐进式构造算法

传统形式概念分析方法无法处理现实中模糊和不确定信息,因此,对模糊概念格及其信息表示的研究具有重要意义.文中提出了一种模糊概念格模型,提出了模糊形式背景中属性隶属度值的窗口截取方法,定义了模糊概念的模糊参数σ和λ,给出了模糊概念格渐进式构造算法,推导出了模糊参数σ和λ的渐进式计算公式.模糊参数σ和λ分别体现了概念外延对于属性的隶属度的均值和发散程度.在模糊概念格渐进式构造算法中引入两个中间参数以实现模糊参数的渐进式计算.最后,进行了算法性能评估实验,结果表明模糊概念格的这种渐进式构造算法在时间上和空间上都具有良好的性能.     

Fuzzy min-max neural networks. I. Classification.

A supervised learning neural network classifier that utilizes fuzzy sets as pattern classes is described. Each fuzzy set is an aggregate (union) of fuzzy set hyperboxes. A fuzzy set hyperbox is an n-dimensional box defined by a min point and a max point with a corresponding membership function. The min-max points are determined using the fuzzy min-max learning algorithm, an expansion-contraction process that can learn nonlinear class boundaries in a single pass through the data and provides the ability to incorporate new and refine existing classes without retraining. The use of a fuzzy set approach to pattern classification inherently provides a degree of membership information that is extremely useful in higher-level decision making. The relationship between fuzzy sets and pattern classification is described. The fuzzy min-max classifier neural network implementation is explained, the learning and recall algorithms are outlined, and several examples of operation demonstrate the strong qualities of this new neural network classifier.     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

A Measurement-Theoretic Axiomatization of Trapezoidal Membership Functions

In many applications of fuzzy set theory, the membership of an object is not defined directly. One of its attributes (like height, age, weight, etc.) is first mapped to a real number (often by means of a physical instrument) and a parametric function then maps this real number to a membership degree in some fuzzy set (like "tall," "old," "heavy," etc.). A very common parametric function is the trapezoidal one. This paper presents some conditions guaranteeing the existence of such a trapezoidal membership function representing the knowledge of an expert. Further experimental research is needed for testing whether these conditions are satisfied by human agents     

基于直觉模糊可能性分布的三支决策模型的研究

直觉模糊集理论和可能性理论的融合是不确定问题领域的一个研究热点。文中提出了一种基于直觉模糊可能性分布的直觉模糊可能性测度(Intuitionistic Fuzzy Probability Measurement,IFPM),并在此基础上构建了三支决策模型。首先,定义了直觉模糊决策空间及该空间上的直觉模糊可能性分布,并对其性质进行了证明,给出了论域对象的隶属度和非隶属度可能性均值的计算方法。然后,讨论了论域对象的隶属度和非隶属度可能性均值与决策阈值的关系,分析了它们之间的概率分布情况。根据概率分布－可能性分布的转换关系,给出决策规则和三支决策模型,提出了一种基于直觉模糊可能性分布的IFPM决策风险计算方法。最后,考虑论域中对象的增减变化引起的IFPM变化,给出对应公式并对动态决策过程进行分析,同时通过实例验证了该模型的有效性。     

一种挖掘模糊相似关联规则的新方法

提出了一种基于自组织特征映射(SOFM)网络的自动确定样本数据隶属度函数的新方法,并在此基础上根据相似性的概念,给出了相似度的计算公式,结合Apriori算法,提出了一种挖掘模糊相似关联规则的新算法。与现有的同类算法相比,现有的方法均需人为地确定隶属度函数,带有一定的主观性,尤其当数据结构较复杂时,隶属度函数难以确定;该算法克服了这一缺点,同时减少了冗余规则。