一种数据集数据残缺的模糊聚类模型

从加权广义欧氏权距离平方和最小概念出发，在循环迭代模糊聚类算法的基础上提出一种数据集指标值残缺的模糊聚类模型，示例分析了不同数据集在不同残缺程度下的聚类效果，拓展了模糊聚类算法应用领域。     

基于约简数据集的FCM聚类算法

为了解决模糊C-均值(FCM)聚类算法在使用欧氏距离计算样本与类中心点的距离时计算量大的问题,提出了一种基于属性约简的FCM聚类算法.该算法根据粗糙集理论对初始数据进行属性约简,消除数据对象中的冗余值,然后再对约简后的属性集进行模糊聚类.实验结果表明,该算法能有效减少FCM算法的距离函数计算量,在不降低聚类精度的前提下,提高了FCM算法的执行效率.     

基于遗传算法的高维数据模糊聚类

提出了一种基于遗传算法的高维数据模糊聚类方法。引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度,并将高维样本初始化到二维平面。利用遗传算法进行迭代优化二维样本的坐标值,实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近,使高维样本映射到二维平面。最后将得到的最优的二维样本利用模糊C-均值聚类（FCM）算法聚类,克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明利用该方法有较好的聚类效果,且比用FCM算法直接聚类收敛速度快。     

基于分治法的高维大数据集模糊聚类算法

将高维的大数据集随机分成若干个子集，对每个子集聚类采用一种基于遗传算法的高维数据模糊聚类方法。该方法引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度，并将高维样本随机初始化到二维平面，利用遗传算法迭代优化二维样本的坐标值，实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近。将得到的最优的二维样本用模糊C-均值聚类(FCM)算法聚类，克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明，该算法有较好的聚类效果，且极大地提高了聚类的速度。     

一种基于FRS-FCM算法的集成入侵检测方法的研究

传统FCM算法对初值的依赖性过大且欧氏距离只适用于处理数值型及特征空间为超球结构的数据集。为此,利用模糊粗糙集思想,结合ReliefF技术,提出了一种基于模糊粗糙集的特征加权聚类算法(FRS-FCM),并将此算法应用到集成入侵检测中,通过有效地聚类和集成学习来提高入侵检测的检测率,降低误检率,并较大地提高低频攻击的检测率。最后利用KDD Cup 99数据集进行的仿真实验验证了该方法的可行性与有效性。     

基于非欧式距离的模糊核聚类算法在入侵检测的应用

模糊核C‐均值聚类（KFCM ）的主要思想是在模糊C‐均值聚类（FCM ）中引入核函数,样本点被非线性变换映射到高维特征空间进行聚类,解决了高维数据空间的聚类问题。同经典的 FCM 算法及其派生算法一样,KFCM 算法对噪声或野值数据敏感。论文在KFCM基础上,利用鲁棒统计观点对目标函数进行改进,通过引入非欧式距离度量代替欧氏距离度量,提高其对噪声或野值数据的抗干扰能力。将该算法用于构建入侵检测系统模型并通过模拟仿真实验表明,改进算法有效解决了传统的聚类算法在入侵检测中稳定性差,检测准确率低的问题。     

基于自适应马氏距离的模糊c均值算法

经典的模糊c均值（FCM）算法是基于欧氏距离的,它只适用于球型结构的聚类,且在处理高维的数据集时,分错率增加。针对以上两个问题,提出了一种新的聚类算法（FCM-M）,它将马氏距离与模糊c均值相结合,并在目标函数中引进一个协方差矩阵的调节因子,利用马氏距离的优点,有效地解决了FCM算法中的缺陷,并利用特征值、特征矢量及伪逆运算来解决马氏距离中遇到的奇异问题。通过数据聚类和图像分割两组实验,证实了该方法的可行性和有效性。     

基于量子粒子群优化的改进的模糊C-均值聚类算法

模糊C均值算法（FCM）是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值（FCM）聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法（QPSO-FCM-CD）具有良好的性能。     

基于量子粒子群优化的改进的模糊C-均值聚类算法

模糊C均值算法(FCM)是一种用于聚类的最流行的技术。不过,传统的FCM使用欧氏距离作为数据集的相似准则,从而导致数据集的划分有相等的趋势。而数据集的形状和簇的密度对聚类性能有高度影响。为了解决这个问题,提出基于簇密度的距离调节因子以修正相似性度量。同时,针对模糊C-均值(FCM)聚类算法对初始聚类中心选择敏感,易陷入局部最优的问题,采用量子粒子群优化算法以获取全局最优解。仿真实验证明,改进的聚类算法(QPSO-FCM-CD)具有良好的性能。     

基于核函数距离测度的加权模糊C均值聚类与Markov空域约束的快速鲁棒图像分割

由于模糊C均值聚类算法（FCM）存在两大缺陷：（1）对于非球形的数据聚类形式鲁棒性不够；（2）只考虑图像中的数值特征信息，而忽略了像素间的空间约束关系，因此FCM算法在对含有噪声的图像进行分割时缺乏足够的鲁棒性。针对以上问题，本文提出了一种结合Markov空域约束与基于核函数距离测度的加权模糊c均值聚类的快速鲁棒图像分割方法。为克服缺点（1），我们使用基于核函数的距离测度取代FCM中的欧氏距离，并使用加权模糊聚类的方式保证了计算的简洁性。与此同时，我们用Markov随机场描述图像的空域约束信息，并且通过数据融合的方法将模糊分割结果与空域约束信息结合在一起，从而得到既包含像素数值特征又包括空域约束信息的图像分割场。这样既克服了传统模糊C均值聚类算法的缺点，又最大限度地保证了分割算法计算的简单有效性。     

从数据中提取生料浆配料过程运行控制的模糊规则

将减法聚类、神经网络、最相邻原则、对提取后的规则进行调整等方法相结合,从过程数据中自动提取出模糊规则,从而实现在氧化铝生料浆配料过程中将生料浆的各项质量指标控制在目标值范围内.某氧化铝厂的应用结果表明,所提取的模糊规则不仅具有良好的完备性和可解释性,同时可根据工况的变化自动调整各个控制回路的设定值,实现了该过程的优化运行.     

采用两步训练法的多目标分布估计算法

提出两步训练法,改进了基于规则模型的多目标分布估计算法.在算法的模型训练环节,首先采用均值分簇法进行初步聚类;然后采用基于流形分簇法进行细致聚类,代替原算法中采用局部主元分析算法需要循环迭代的聚类分簇方法.通过6个Benchmark测试函数验证,改进算法保持了原算法的收敛性和多样性,并缩短了寻优的时间.     

一类非线性时滞系统的鲁棒模糊自适应控制

针对一类非线性时滞系统,给出一种鲁棒模糊自适应跟踪控制算法.该非线性系统包含不确定项,其控制增益部分也是不确定的.针对这种特殊的系统,通过对非线性部分的_在线逼近,给出了控制律和自适应律.Lyapunov稳定性分析表明,该闭环系统中的所有信号都是稳定的.仿真结果验证了控制器的有效性.     

基于聚类分析的增强型蚁群算法

针对蚁群算法存在的早熟收敛、搜索时间长等不足,提出一种增强型蚁群算法.该算法构建了一优解池,保存到当前迭代为止获得的若干优解,并提出一种基于邻域的聚类算法,通过对优解池中的元素聚类,捕获不同的优解分布区域.该算法交替使用不同簇中的优解更新信息素,兼顾考虑了搜索的强化性和分散性.针对典型的旅行商问题进行仿真实验,结果表明该算法获得的解质量高于已有的蚁群算法.     

基于细胞自动机的移动机器人路径规划算法

针对移动机器人全局最优路径规划问题,提出一种基于细胞自动机的路径规划算法.该算法首先将移动机器人的起点、目标点和空间障碍物定义为一组离散的细胞状态,建立环境的细胞自动机模型;然后由机器人移动的曼哈顿距离设计演化规则;最后根据演化后的细胞状态搜索最优路径.对简单和复杂环境下的机器人路径规划问题进行了仿真实验,实验结果验证了该算法的有效性.     

基于半监督学习的启发式值约简

提出一种基于半监督学习的粗糙集知识约简算法(SLRS).SLRS基于对信息论基本概念的引申定义,描述了各条件属性的重要程度以及相互之间的依赖关系.对于数据库中某些记录属性域存在的缺失值,基于半监督学习进行启发式属性值约简,进而求取粗糙集约简决策表,即使在现有知识不足或信息不完备的情况下,也能通过半监督学习构造新的规则补充到知识库中.样例分析及在UCI数据集上的实验结果均表明了所提出算法的合理性和有效性.     

一种k-NN分类器k值自动选取方法

k-NN 分类算法已广泛应用于文本挖掘和模式识别等领域, 其近邻数k直接影响着分类精度, k 值过小
时k-NN 会受到噪声的影响, k值过大时同样会降低分类精度, 为此提出一种快速选取k值的方法. 首先给出k 值的
候选集, 然后在候选集上快速地选取k 值. 在100 个公开数据集上的实验结果表明, 所提出的算法能够选取一个有效
的近邻数k 是一种效果好、有潜力的方法.      

基于自适应模糊反步法的永磁同步电机位置跟踪控制

研究具有参数不确定性的永磁同步屯动机位置跟踪控制问题.利用模糊逻辑系统逼近系统中非线性函数,采用反步设计方法实现永磁同步电动机的自适应模糊控制.所提出的自适应模糊控制器在电机参数不确定和负载扰动的情况下,实现了永磁同步电动机的高性能位置跟踪控制.仿真结果表明了所提出方法的有效性.     

变精度集对势粗糙集模型

为使粗糙集理论能有效处理含噪音的不完备信息系统,将集对势扩充粗糙集模型和Ziarko教授提出的多数包含关系相结合,提出了变精度集对势粗糙集模型.然后,给出了正域相似度的定义,提出了基于正域相似度的启发式属性约简算法,并分析了算法的时间复杂度.仿真实验表明了该方法处理含噪音的不完备信息系统的有效性.     

自适应和声粒子群搜索算法

针对现有改进和声搜索算法(IHS)的不足,提出一种自适应和声粒子群搜索算法(AHSPSO).首先对和声记忆库中每个变量用粒子群算法寻优,再利用自适应参数PAR和bw调节来提高对多维问题的搜索效率.利用5个标准的优化算法测试函数对AHSPSO算法进行测试,并与IHS,PSO和SA算法进行对比,仿真结果表明了AHSPSO算法具有较强的精确寻优和跳出局部最优的能力.