直觉模糊集合数据的聚类有效性分析

针对直觉模糊集合数据的聚类有效性问题,给出了一种用于发现最优模糊划分的聚类有效性方法.该方法采用直觉模糊相关度和直觉模糊熵两个重要因子来评价直觉模糊聚类的有效性.其中,直觉模糊相关度通过增加非隶属度参数对模糊相关度进行直觉化扩展,用于评价类与类间相关度的大小,同时加入权重参数解决了样本数据各维特征分配不均匀的问题,而直觉模糊熵用于检验分类结果的可靠性.最后通过实例验证了该方法对于紧致的、良好分离的教据集分类效果理想,其在目标编群、目标识别等信息融合领域有良好的应用前景.     

基于直觉模糊熵的群组聚类决策方法

针对直觉模糊群决策问题,依据专家的直觉模糊评价信息,利用直觉模糊相似度和相异度构造直觉模糊相似矩阵,为了得到合理的专家聚类结果,设计风险参数并提出聚类阈值变化率分析方法,综合聚类结果和直觉模糊熵对各专家进行组合赋权。提出基于离散正态分布的位置权重确定方法,构造直觉模糊集混合加权集结算子对各专家关于方案集的直觉模糊评价信息进行综合集成。结合算例验证了方法的可行性和有效性。     

基于直觉模糊熵的目标函数聚类

针时将模糊聚类扩展为直觉模糊聚类具有的重要的理论和应用价值,研究了直觉模糊熵的基础上,提出了一种基于直觉模糊的聚类目标函数的思想.利用拉格朗日定理推导了目标函数参数求解,并给出了基于直觉模糊熵的聚类算法.通过典型试验表明基于直觉模糊熵的目标函数聚类提高了聚类的准确率,性能优于模糊聚类.     

基于新直觉模糊相似度的聚类方法

针对现有直觉模糊聚类方法大都未考虑属性(指标)权重,计算过于复杂且计算结果为实数的问题,提出一种基于新直觉模糊相似度的聚类方法,计算结果为直觉模糊数,运用直觉模糊熵得到属性权重,构造了一种考虑属性权重的直觉模糊相似度公式,得到直觉模糊相似矩阵,设计了风险参数,决策者根据自己风险偏好选择风险参数进行聚类.最后通过算例验证了所提出方法的可行性和合理性.     

直觉模糊C-均值聚类算法研究

鉴于直觉模糊集理论作为模糊理论的推广已得到广泛的应用,研究了将模糊C-均值聚类推广为直觉模糊C-均值聚类（IFCM）的途径和方法,分析了现有的几种IFCM算法,并提出了一种基于直觉模糊集的模糊C-均值聚类算法．该算法首先定义了直觉模糊集之间的距离;然后构造了聚类的目标函数;最后给出了聚类算法步骤．将算法用于目标识别,实验结果表明了算法的有效性．     

直觉模糊集的聚类方法研究

对基于直觉模糊集的聚类问题进行了研究．首先给出直觉模糊相似度的概念，并构建了直觉模糊相似矩阵和直觉模糊等价矩阵；然后定义了直觉模糊相似矩阵的合成运算法则．给出直觉模糊相似矩阵转化为直觉模糊等价矩阵的途径；此外．还分别定义了直觉模糊相似矩阵和直觉模糊等价矩阵的λ-截矩阵，进而给出了直觉模糊集的一种聚类方法；最后通过算例对该方法进行了说明和分析．     

基于直觉模糊等价相异矩阵的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于直觉模糊等价相异矩阵的聚类方法。该方法首先给出直觉模糊相异区间的概念,并构建了直觉模糊相异矩阵;然后定义了直觉模糊等价相异矩阵和(α,β)截矩阵,进而给出直觉模糊聚类算法;最后将其应用于目标编群领域,通过实例验证该算法的有效性。     

基于模糊熵的聚类有效性函数

模糊熵描述了一个模糊集的模糊性程度本文将模糊熵应用于聚类有效性的判决,指出用于聚类有效性判决的划分系数是一个基于模糊熵的判决标准.通过几个数据对不同模糊熵公式的判决功能进行了比较实验.     

模糊C-均值算法在直觉模糊数聚类中的应用

提出了直觉模糊数的非监督模糊C-均值聚类算法。该算法首先定义了直觉模糊数之间的距离,其次构造了直觉模糊数聚类问题的目标函数,最后得到了直觉模糊数聚类的模糊C-均值聚类算法,聚类中心初始化方法,以及相关的聚类有效性函数。实验结果表明,该算法是有效的。     

新模糊聚类有效性指标

模糊聚类是模式识别、机器学习和图像处理等领域的重要研究内容。模糊C-均值聚类算法是最常用的模糊聚类实现算法,该算法需要预先给定聚类数才能对数据集进行聚类。提出了一种新的聚类有效性指标,对聚类结果进行有效性验证。该指标从划分熵、隶属度、几何结构角度,定义了紧凑度、分离度、重叠度三个重要特征测量。在此基础上,提出了一种最佳聚类数确定方法。将新聚类有效性指标和传统有效性指标在6个人工数据集和3个真实数据集进行实验验证。实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合确定样本的最佳聚类数。     

迭代直觉模糊K-modes算法

直觉模糊K-modes(IFKM)算法在聚类过程中采用简单0-1匹配相似性度量,既无法有效刻画类内数据对象之间的相似性,也未体现不同属性在聚类过程中的贡献程度;此外,IFKM算法在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别,没有充分发挥直觉模糊思想的作用.为了解决这两个问题,提出一种迭代IFKM...     

正态模糊集合——Fuzzy集理论的新拓展

直觉模糊集（intuitionistic fuzzy sets）、区间值模糊集（interval-valued fuzzy sets）以及Vague集对普通fuzzy集的扩展是给出了隶属度的上下限，把隶属度从[0，1]区间中的一个单值推广到了[0，1]的子区间。但是该子区间犹如一个黑洞，隶属度在其内部的分布情况我们无从知晓，即这个子区间中的每一个值是等可能地作为元素的隶属度还是区间中的某些值较另外的值有更大的可能性呢？为了清晰的刻画出元素的隶属度在[0，1]区间中的分布情况，本文通过对投票模型的分析及正态分布理论，提出了一种新的模糊集合——正态模糊集合，同时对正态模糊集合的交、并、补等基本运算性质进行了讨论，文章最后对正态模糊集与fuzzy集、直觉模糊集的相互关系也作出了详细阐述。正态模糊集合是模糊集合理论的进一步推广，为我们处理模糊信息提供了一种全新的思想方法。     

Mamdani模糊推理算法的直觉化扩展

对Mamdani模糊推理算法进行了直觉化扩展。首先将Mamdani定义的模糊关系R_c进行直觉化扩展;然后推出了其对应的直觉模糊取式推理算法和直觉模糊拒式推理算法;最后以具体算例叙述了推理计算过程中的细节,验证了该方法的正确性和有效性依据直觉准则对其性能进行了评价。     

基于包含度的直觉模糊相似度量方法

针对现有文献中涉及到直觉模糊相似度量的计算公式大多是基于直觉模糊距离测度的现状,提出一种基于包含度的直觉模糊相似度量方法。借助模糊蕴涵算子和集合基数,建立了IFS包含度的一系列具体公式,揭示了IFS包含度与相似度的关系,提出了一种基于包含度的IFS相似度量方法,并以具体算例表明该方法不仅可以解决中部分存在的问题,而且为研究IFS相似度量理论开辟一个新的途径。     

基于改进粒子群优化的移动界面模式聚类算法

聚类是一种非常有效的信息分析方法。针对现有基于粒子群优化的模糊C均值(Fuzzy C-means,FCM)聚类算法的聚类效果不佳的问题,提出一种基于改进粒子群优化的模糊C均值聚类算法,并将该聚类算法应用到移动界面模式的聚类中。首先,利用直觉模糊熵的几何解释和约束构造合理的直觉模糊熵;然后,在粒子群优化中使用直觉模糊熵判断种群的多样性程度,并引入混沌反向学习策略来提高全局搜索能力;最后,为了增强聚类算法的非线性处理能力,在聚类算法中加入高斯核函数,并将该聚类算法应用到移动界面模式的聚类中。移动界面模式聚类的实验表明,与现有聚类算法相比,文中所提聚类算法具有更好的聚类效果。     

基于真值支持度的直觉模糊推理方法

为了降低直觉模糊集在推理过程中需要同时考虑隶属度和非隶属度两方面运算的复杂性,提出了一种基于真值支持度的直觉模糊推理方法,研究了强真度、真值支持度及其相关性质,并将强真度和真值支持度引入到推理中,给出真值支持度的直觉模糊推理算法及计算步骤,并以具体算例验证了该方法的正确性和有效性。     

基于T模剩余蕴涵算子的直觉模糊粗糙集

构造并系统研究了直觉模糊T模的剩余蕴涵。在此基础上,推导出了直觉模糊粗糙集的一种构造模型,证明了Pawlak粗糙集、直觉模糊集、模糊粗糙集、粗糙模糊集及模糊T粗糙集都是直觉模糊粗糙集的特殊情形。最后给出并证明了直觉模糊粗糙集的一些性质。     

基于θ算子的变精度直觉模糊粗糙集*

在模糊近似空间中,结合直觉模糊集的隶属度、非隶属度与模糊蕴涵算子,提出基于θ算子和θ^算子的直觉模糊集及其隶属度和非隶属度的概念,并证明它们一系列性质.然后,结合直觉模糊集与变精度粗糙集,定义基于θ算子的变精度直觉模糊粗糙集,提出求解变精度粗糙集阈值参数β的方法,使用算例分析该方法.     

Generalized picture distance measure and applications to picture fuzzy clustering

Picture fuzzy set (PFS), which is a generalization of traditional fuzzy set and intuitionistic fuzzy set, shows great promises of better adaptation to many practical problems in pattern recognition, artificial life, robotic, expert and knowledge-based systems than existing types of fuzzy sets. An emerging research trend in PFS is development of clustering algorithms which can exploit and investigate hidden knowledge from a mass of datasets. Distance measure is one of the most important tools in clustering that determine the degree of relationship between two objects. In this paper, we propose a generalized picture distance measure and integrate it to a novel hierarchical picture fuzzy clustering method called Hierarchical Picture Clustering (HPC). Experimental results show that the clustering quality of the proposed algorithm is better than those of the relevant ones.