基于模糊聚类的分层强化学习算法

本文提出了一种新的分层强化学习Option自动生成算法,以Agent在学习初始阶段探测到的状态空间为输入,采用模糊逻辑神经元的网络进行聚类,在聚类后的各状态子集上通过经验回放学习产生内部策略集,生成Option,仿真实验结果表明了该算法的有效性。     

GHFHC: Generalized Hesitant Fuzzy Hierarchical Clustering Algorithm

Dealing with uncertainty is an undeniable challenge in the real‐world problems. In this paper, we focus on hesitant environment such as generalized hesitant fuzzy sets introduced by Qian et al. So we propose a new generalized hesitant fuzzy hierarchical clustering (GHFHC) algorithm based on Atanassov's intuitionistic fuzzy set theory. We extend conventional hierarchical clustering, which just works on the crisp data, and introduce a clustering algorithm, which can be applied on large data set with generalized hesitant fuzzy data. The run time of the GHFHC algorithm shows that its computational complexity will be low. Also, the GHFHC algorithm produces the clusters with arbitrary shapes by using the various distance measures. Finally, an example is provided to illustrate the practicality of the proposed algorithm.     

一种基于分层结构的网页排序算法

链状解析算法已经被广泛应用于网络信息检索.然而,当前的链状解析算法通常用于平面链状图,忽略了网络的分层结构.这会导致两个问题的出现:链状结构越来越少和比较偏向于上层网页.文中提出了一个能够解决这两个问题的新排序算法,叫做分层排序,这种算法可以用于网络中的分层结构和链状结构.在实验结果中显示分层排序算法持续超过了其它知名排序算法,其中包括网页排序算法、块排序算法和层次排序算法.     

具有特征排序功能的鲁棒性模糊聚类方法

提出了一种加权模糊聚类算法, 其优势在于能在实现有效聚类的同时, 对样本噪音进行识别和按样本特征对聚类的贡献程度进行排序. 因此, 本文所提出的方法具有鲁棒性, 并可对所得的特征排序进行特征选择, 实验结果表明了该方法具有上述优势.     

一种基于引力的分层聚类算法

传统的分层聚类算法在聚类过程中,仅使用样本间的距离作为相似度的唯一标准,其描述过于单一.考虑到宇宙中星系的形成过程本质也是一种聚类过程.星系之间吸引力是靠万有引力作用.将万有引力思想引入分层聚类中,提出一种基于引力的层次聚类算法HCBG(Hierarchical Clustering Base Gravity),从样本间的距离和类簇的大小两个方面更加精确地刻画相似度.把分层聚类的过程看成样本点之间依据"万有引力"自发吸引的过程.采用UCI机器学习数据库的Iris,Wine和Glass数据集,实验结果表明,提出的HCBG算法的聚类结果比经典的基于距离的层次聚类HC(Hierarchical Clustering)提高5%～10%左右.     

一种基于层次聚类的双聚类算法

双聚类是为了发现基因表达数据矩阵中具有生物意义的矩阵而提出新的聚类方法,目的是通过分别交换行和列,将数据相似的数据聚合在一起组合成子矩阵,这样的子矩阵具有生物意义.本文根据均方残值理论全局优化双聚类,首先用层次聚类算法生成初始的数据矩阵,然后对这些初始的数据矩阵添加行和列,并进行优化生成最终的双聚类.实验表明,该算法能够高效地生成表达水平一致的双聚类,效果令人满意.     

An Agent‐Based Pythagorean Fuzzy Approach for Demand Analysis with Incomplete Information

Analyzing demand in environments with incomplete information is a challenging task. This paper proposes a novel agent‐based Pythagorean fuzzy approach for analyzing this kind of demand. First, a Bayesian game is described with a large number of finite players, and this is followed by a Pythagorean fuzzy‐based decision mechanism. Unlike the classical methods in the literature, the proposed method in this paper neither assumes nor forecasts the demand in a system. Instead, it tries to analyze the demand when there is limited availability of input data, or processing data are computationally expensive. The study ends with an application of the proposed system to an electricity grid. Electricity prices used as an incentive to construct an agent‐based system that efficiently reduces the peak amounts in a smart grid by analyzing the demand. Test results provide evidence that the proposed approach is promising to design demand response systems.     

凝聚中心犹豫度恒定的模糊层次聚类算法

传统的模糊方法已无法解决数据本身不确定性的问题,犹豫模糊集方法却行之有效.原有的犹豫模糊层次聚类算法没有考虑犹豫模糊集对权值的影响,缺乏合理的权重计算方法,并且算法的时间复杂度和空间复杂度都为指数级.为了更有效地解决聚类分析问题,本文提出一种凝聚中心犹豫度恒定的模糊层次聚类算法(FHCA),首先设计了一种基于数据集本身...     

基于特征分布的图象信息抽取

为抽取实时图象中的有效信息，有别于传统的将整个特征域看做一个信源的特征筛选方法，将具有统计意义的特征区间看作一个信息源，计算其熵值，取熵值较小、且类间离散度较大、类内离散度较小的特征区间为有效特征域，每个模式都拥有自己的一组贡献值不等的有效特征域构成其专用特征空间。此算法的有效性在工业流水线上的工件识别系统中得到了较满意的验证。     

一种基于模糊核聚类的谱聚类算法

谱聚类是对样本拉普拉斯矩阵的特征向量进行聚类,不局限于原始数据的分布形状,可收敛于全局最优解,但不能准确反映样本间的实际关系,而模糊核聚类可利用模糊数学理论确定样本间的模糊关系。为此,在调整相似度度量函数和距离度量函数的基础上,将模糊核聚类融合到谱聚类算法中,提出SC-KFCM算法,利用模糊划分改进谱聚类中的硬划分,根据特征向量间的相似性和关联程度建立模糊隶属关系并对样本进行聚类,从而弥补谱聚类中硬划分部分对聚类结果造成的影响。实验结果表明,SC-KFCM算法在不同分布特点及维数的数据集上均取得了较稳定的聚类结果和较高的聚类精度。     

基于重叠度的层次聚类算法

选择合适的聚类数和准确划分簇间重叠的数据是聚类分析领域两个被广泛研究的问题.提出了一个基于重叠度的层次聚类算法(CCSLM),该算法基于重叠度的衡量,而且不需要预先指定聚类数,能够很好地解决以上两个问题.算法根据每两簇之间的重叠情况自动运行或停止,从而准确划分簇间重叠的数据,并自动确定最佳聚类数.通过图像分割应用表明算法的有效性和鲁棒性.还把它和其他聚类算法进行比较和分析,以证明该算法的优越性.     

基于aiNet的数据模糊聚类算法

本文基于人工免疫系统中经典的网络模型--aiNet模型,提出了一种数据的模糊聚类算法--aiFCM,给出了算法的流程,并通过实验证明了算法的有效性。实验表明,通过人工免疫网络与传统统计分析工具的结合,能够有效地从数据集合中提取有用的聚类。     

基于核的模糊聚类算法

在聚类分析中,模糊c-均值算法是应用最广泛的聚类算法之一,针对该算法对初始化敏感,容易陷入局部极小点的缺点,论文提出了一种基于核的模糊聚类算法。在算法中将核方法与模糊可能性算法相结合,将模糊c-均值算法结果作为初始中心,放松了对隶属度归一化的条件,对噪声有更好的处理能力。IRIS数据和人造数据的实验结果表明该算法的有效性。     

一种基于软边界球分的分裂式层次聚类算法

层次聚类是一种常用的聚类方法,但传统的层次聚类面临着计算复杂度较大、抗噪音和例外点干扰能力较弱的问题.本文以可能性聚类方法为基础,首先提出软边界球分算法,可实现对数据集合理分裂.随后将这一策略与分裂式层次聚类过程相结合,构造一种基于软边界球分的分裂式层次聚类算法(SHPDHC).SHPDHC具有较低的计算复杂度.与此同时,它能较好地发现自然数据类,确定出合理的聚类数目,并能自适应划分出例外数据点.理论分析与对人工数据集的聚类实验结果证明了上述几点.最后我们将SHPDHC应用于一类阴影图像的分割中,同样取得良好效果.     

一种基于IDEF1x模型的层次多关系聚类算法

多关系聚类仍存在利用统计方法提取一对多联系对应的信息时会忽略数据的原始特征、不同关系表间的联系出现的回路可能导致信息重复利用等问题,且尚未见有效的解决方法. 本文认为利用IDEF1x模型中不同联系的特点,可重构有助于解决上述问题的模型. 因此基于IDEF1x模型构建多关系数据集中表间关联关系层次模型的框架,然后定义框架中不同种类的联系对聚类结果传递的影响,以及整合多个子节点聚类结果的方法,并以此为基础提出新的多关系聚类算法.在真实的以及人工数据集上的实验效果表明,相较于单关系聚类算法以及对比的多关系聚类算法,所提算法可获得较准确的聚类结果.     

一种隶属关系不确定的可能性模糊聚类方法

模糊聚类是聚类分析的一个重要分支,模糊C-均值聚类算法及其改进算法都是一种基于概率约束的聚类方法,所采用隶属度的取值形式体现了数据集的绝对隶属程度,常常出现不理想的聚类结果.对此,提出了不确定隶属的概念,在此基础上,通过提出两个基于相对隶属程度的判断准则参数,设计出一种新的基于隶属关系不确定的可能性模糊聚类新算法, 并给出了具体算法实现. 新算法将迭代过程中数据集对聚类簇隶属的可能性与不确定性关系引入目标函数中,达到明显的优化聚类结果的功效.理论分析和实验结果表明,相对其他聚类算法,新算法具有更高的聚类正确率.     

模糊聚类算法在软件度量数据分析中的应用

为了提高软件质量,控制和改汕软件开发过程,需要有效地度量软件开发过程和分析其过程各个阶段收集的度量数据.文中将模糊聚类算法应用到软件度量的数据分析中.先给出了数据挖掘相关知识和理论,再介绍了该算法在软件度量数据分析中应用的实验研究.由于较快地发现有严重缺陷的模块,进而提高了软件测试效率.     

一种基于用户需求的加权模糊聚类分析算法

从用户的实际需求出发,分析了聚类系统的使用者可能对系统提出的功能要求,提出了一种基于加权Euclid距离的模糊C聚类分析算法.在该算法中,权值是由用户或领域的专家直接指定的,加在不同特征指标上的权值体现了用户对各个特征指标重视程度的差别.与传统的模糊C聚类分析相比,该算法增加了聚类的灵活性,能够产生令用户更加满意的聚类结果.     

一种基于模糊聚类的网格DAG任务图调度算法

针对网格环境中,任务调度的目标系统具有规模庞大、分布异构和动态性等特点,提出一种基于模糊聚类的网格异构任务调度算法.以往的很多调度算法需要在调度的每一步遍历整个目标系统,虽然能够获得较小的makespan,但是无疑增加了整个调度的Runtime.定义了一组刻画处理单元综合性能的特征,利用模糊聚类方法对目标系统(处理单元网络)进行预处理,实现了对处理单元网络的合理划分,使得在任务调度时能够较准确地优先选择综合性能较好的处理单元聚类,从而缩小搜索空间,大量减少任务调度时选择处理单元的时间耗费.此外,就绪任务优先级的构造既隐含考虑了关键路径上节点的执行情况对整个程序执行的影响,又考虑了异构资源对任务执行的影响.实验及性能分析比较的结果表明,定义的处理器特征能够实现对处理器网络的合理划分,而且随着目标系统规模的增大,所提出的算法优越性越来越明显.     

一种基于大密度区域的模糊聚类算法

针对模糊C-均值(FCM)算法对初始聚类中心和噪声数据敏感的缺陷,提出一种基于大密度区域的模糊聚类算法.该算法首先利用大密度区域以及样本的密度值变化方法,选取初始聚类中心以及候选初始聚类中心,并依据初始聚类中心与候选初始聚类中心的距离,确定初始聚类中心点,从而有效的克服了随机给定初始聚类中心容易使算法收敛到局部极小的缺陷;其次,分别利用密度函数为样本加权和引用改进的隶属度函数进行优化,有效地提高了模糊聚类的抗噪性;最后实验验证了算法在初始聚类中心的确定,聚类效果和抗噪性方面具有良好的效果.