一种挖掘模糊关联规则的新方法

提出了一种基于改进的K-means聚类算法上的自动确定样本数据隶属度函数的新方法,并在此基础上结合Apriori算法,提出了一种挖掘模糊关联规则的新算法。与现有的同类算法相比,现有的方法均需随机地确定初始的聚类中心,往往得出有悖于实际的隶属度函数,从而影响了整个模糊关联规则的提取结果。该算法克服了这一缺点,提高了模糊关联规则的提取结果的正确性。     

模糊关联规则挖掘模型及其在分解炉中的应用

研究了模糊关联规则挖掘模型在分解炉中的应用,并阐述了模糊聚类算法和关联规则的相关内容,提出运用模糊聚类KFCM算法对实际数据进行计算,得到数据归属于不同类别的隶属度.同时,利用规则挖掘算法MFAR对模糊化的参数进行处理,得到了有价值的模糊规则,解决了实际中专家经验获取的瓶颈问题.试验表明,该方法为水泥生产环节中分解炉的温度控制提供了理论依据和生产优化指导.     

基于直觉模糊聚类的数据关联算法

针对多传感器观测数据存在不确定性的问题,基于直觉模糊聚类,提出一种新的数据关联算法。将改进的直觉模糊C-均值聚类（IFCM）算法应用于数据关联,首先将观测数据和预测数据进行直觉模糊化,然后计算直觉模糊集之间的加权距离以获得观测与航迹的隶属度,最后依次搜索最大隶属度实现观测与航迹的关联。仿真实验表明,存在模糊观测数据情况下,算法能有效地进行数据关联。     

基于模糊关联规则挖掘的模糊入侵检测

论文把模糊关联规则挖掘算法引入到网络的入侵检测,利用该算法从网络数据集中提取出具有较高可信性和完备性的模糊规则,并利用这些规则设计和实现用于入侵检测的模糊分类器。同时,针对模糊关联规则挖掘算法,利用K-means聚类算法建立属性的模糊集和模糊隶属函数,并提出了一种双置信度算法以增加模糊规则的有效性和完备性。最后,给出了详实的实验过程和结果,以此来验证提出的模糊入侵检测方法的有效性。     

基于演进向量量化聚类的增量模糊关联分类方法

为了提高动态数据集上模糊关联分类器（FAC）的建模效率,提出了一种基于演进向量量化（eVQ）聚类的增量模糊关联分类方法。首先,采用eVQ聚类算法增量更新数量属性上的高斯隶属度函数参数;然后,扩展早剪枝更新（UWEP）算法,使之适用于增量挖掘模糊频繁项;最后,以模糊相关度（FCORR）和分类规则前件长度为度量方式裁剪并更新模糊关联分类规则库。在4个UCI标准数据集上的实验结果表明,与批量模糊关联分类建模方法相比,所提方法能够在保证分类精度和解释性的前提下,减少模糊关联分类器的训练时间;基于eVQ的高斯隶属度函数的增量更新有助于提高动态数据集上模糊关联分类器的分类精度。     

基于模糊关联规则的交通事故分析应用研究

研究发现交通事故潜在规律,预测交通事故的发生,针对关联规则方法用于交通事故分析,对交通的数值型属性无法给出有效地划分,为提高安全管理决策,提出引入模糊聚类,用改进FCM( Fuzzy c-Means)方法对数值属性进行聚类,可用取值的范围对分类属性进行聚类,采用模糊关联规则挖掘导致交通事故的原因和规律.模糊关联规则首先对FCM算法进行了改进,包括隶属度、权值和中心点的计算和修正方法,利用模糊关联规则方法进行挖掘,最后对算法进行了仿真和可视化显示,结果表明模糊关联规则方法挖掘出的规则符合现实情况,为交通管理提供有效的方法.     

基于模糊逻辑的多维时序软关联规则挖掘

针对时间序列片段归类时在边界状态上存在不确定性的问题,提出一种软化边界的方法.该方法对时间序列记录集属性序列进行滑窗以及正规化处理后用模糊聚类方法聚类,使样本个体不是简单地归于单个代表形态.通过样本点的隶属度计算关联规则的支持度和可信度,使这2个重要指标的计算更精确,并采用一种基于隶属度的J-measure测度对规则有...     

一种基于聚类的超闭球模糊神经网络

针对一类不确定非线性多输入多输出复杂系统,根据系统的输入输出数据对,提出一种基于聚类的超闭球模糊神经网络系统．该系统通过改进的模糊聚类方法（FCM）确定模糊规则数,采用高维隶属度函数取代常规的单维隶属度函数,并对隶属度函数中心值和隶属度函数参数采用一步通过算法,所提方法可降低系统的模糊规则数,简化网络计算．此外,当系统的输入输出发生变化时,可实现模糊规则库的在线修改．仿真实例验证了所提方法的有效性．     

二型模糊系统的规则提取算法

模糊规则提取是建立二型模糊系统需要解决的关键问题.提出一种改进的基于c均值模糊聚类算法(FCM)的二型模糊规则提取方法.该方法借助于二型模糊集主隶属度函数的期望与次隶属度函数值之间的联系,能克服已有算法忽略二型模糊集次隶属度函数对模糊聚类结果的影响.仿真实例表明.该算法能成功地提取二型模糊规则,比FCMV算法具有更好的性能和收敛性.     

一种自适应的模糊关联规则挖掘算法

关联规则是数据挖掘的重要研究内容之一。传统的关联规则挖掘算法仅适于处理二元属性与分类属性。为更好地处理数量属性,提出了一种自适应的基于模糊概念的量化关联规则挖掘算法。该算法克服了传统的离散分区法的不足,改进了已有模糊关联规则支持度的计算方法。引入了一种基于聚类的隶属函数自动生成方法,使得模糊关联规则的发现不依赖于人类专家给出的隶属函数,使得关联规则的表示自然、简明,有利于专家理解。实验表明该算法是有效的。     

基于模糊神经网络方法实现茶味信号识别的研究

提出一种基于模糊c-均值聚类(FCM)的模糊神经网络模型用于荼味信号识剐的方法。该方法采用模糊c-均值聚类实现模糊神经网络中模糊子集及其隶属度函教的自动确定，并对模糊加权型推理法进行了改进，在此基础上构枣了一个模糊神经网络模型。通过5种茶味信号识别的仿真实验，表明本文提出方法的有效性。     

一种基于动态聚类的模糊分类规则的生成方法

介绍了一种基于动态聚类的模糊分类规则的生成方法，这种方法能决定规则数目，隶属函数的位置及形状．首先，介绍了基于超圆雏体隶属函数的模糊分类规则的基本形式；然后，介绍动态聚类算法，该算法能将每一类训练模式动态的分为成簇，对于每簇，则建立一个模糊规则；通过调整隶属函数的斜度，来提高对训练模式分类识别率，达到对模糊分类规则进行优化调整的目的；用两个典型的数据集评测了这篇文章研究的方法，这种方法构成的分类系统在识别率与多层神经网络分类器相当，但训练时间远少于多层神经网络分类器的训练时间．     

基于混合聚类算法的模糊函数系统辨识方法

针对传统模糊系统存在的结构难以确定和参数辨识复杂的问题,提出了一种基于混合聚类算法的模糊函数系统辨识算法.与一般的模糊函数系统相比,混合聚类算法结合模糊C均值和模糊C回归模型聚类算法的样本距离.在模型预测部分,采用高斯函数计算每个输入变量的隶属度,利用输入变量隶属度的模糊化算子得到输入向量的隶属度.应用于Box-Jenkins煤气炉数据、一个双入单出的非线性系统和Mackey-Glass混沌时间序列数据的试验结果表明,本文算法具有很好的辨识效果,从而验证了本文算法的有效性与实用性.     

基于模糊最大散度差判别准则的聚类方法

基于最大散度差判别准则提出了一种模糊最大散度差准则,并根据模糊最大散度差准则提出一种聚类方法(fuzzy maximum scatter difference discriminant criterion based clustering algorithm,简称FMSDC).该方法通过迭代优化方法实现聚类的同时还可以实现特征降维.该方法首先在最大散度差判别准则中引入模糊概念;然后通过具体原则设定模糊最大散度差判别准则中的参数η,从而在一定程度上降低了由参数η引起的敏感性;最后分别根据模糊隶属度μ_ik、最优鉴别矢量ω进行聚类和特征降维.实验结果表明,FMSDC方法不但具有基本的聚类功能,而且具有较好的鲁棒性和较强的特征降维能力.     

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。     

模糊聚类分析在数据挖掘中的应用研究

数据挖掘是从大量数据中用平凡的方法发现有用的知识。聚类分析是数据挖掘的一个重要研究领域,它是按照一定的要求和规律将事物进行分类的一种数学方法。随着模糊数学的兴起,用精确的数学的方法研究模糊问题,人们逐渐将精确和模糊统一起来。论文将模糊数学的模糊理论应用于数据挖掘的聚类分析中,讨论了如何利用样本之间的模糊关系分析样本之间的关联程度,给出了模糊聚类分析在数据挖掘中的应用的主要步骤,以及相应的实例分析和程序设计。     

Utilizing Genetic Algorithms to Optimize Membership Functions for Fuzzy Weighted Association Rules Mining

It is not an easy task to know a priori the most appropriate fuzzy sets that cover the domains of quantitative attributes for fuzzy association rules mining. In general, it is unrealistic that experts can always provide such sets. And finding the most appropriate fuzzy sets becomes a more complex problem when items are not considered to have equal importance and the support and confidence parameters required for the association rules mining process are specified as linguistic terms. Existing clustering based automated methods are not satisfactory because they do not consider the optimization of the discovered membership functions. In order to tackle this problem, we propose Genetic Algorithms (GAs) based clustering method, which dynamically adjusts the fuzzy sets to provide maximum profit based on user specified linguistic minimum support and confidence terms. This is achieved by tuning the base values of the membership functions for each quantitative attribute with respect to two different evaluation functions maximizing the number of large itemsets and the average of the confidence intervals of the generated rules. To the best of our knowledge, this is the first effort in this direction. Experiments conducted on 100 K transactions from the adult database of United States census in year 2000 demonstrate that the proposed clustering method exhibits good performance in terms of the number of produced large itemsets and interesting association rules.     

基于模糊聚类的非线性系统模糊辨识算法

针对模糊聚类算法中数据和运算耗时很长，不适于在线建模与控制的问题，基于模糊聚类型隶属函数和EUM方法，提出了一种新的模糊辨识算法。该方法省去了求解聚类中心的迭代过程，计算时间显著减少。采用该方法对Box—Jenkins煤气炉数据和Mackey—Glass混沌时间序列进行了仿真，结果证明了该方法的有效性。