基于模糊简单多数票法则的模糊分类组合模型

首次将传统的简单多数票法则推广为模糊简单多数票法则.应用最近邻居法则与匈牙利算法,提出一种类的匹配算法,并应用此算法建立不同模糊聚类的类与类间的对应关系;再应用模糊简单多数票法则将匹配后的多个模糊聚类组合成一个组合模糊聚类,由此建立一个新的模糊聚类组合模型.实验结果表明,该组合模型产生的组合模糊聚类不仅优于参与组合的单个模糊聚类,而且优于Evgenia等人提出的组合模糊聚类.     

基于人工免疫细胞模型的模糊聚类算法

传统的模糊c均值算法需要提前输入聚类个数,但输入错误的聚类数会产生错误的聚类结果。为此,提出一种基于人工免疫细胞膜型的模糊聚类算法。引入种群规模迭代与模糊聚类迭代相结合的双迭代思路,利用种群规模迭代指导聚类数的自动生成,在每次种群规模迭代中加入模糊聚类迭代,同时将克隆选择、抗体免疫抑制等操作融入计算过程。理论分析与仿真结果表明,该算法能搜寻到正确的聚类个数,具有较好的聚类效果。     

结合引力的模糊C-值聚类算法研究

基于距离的模糊聚类算法是把数据对象视为互相独立的,虽然在一定程度上反映了数据对象间的位置关系,但不能反映多重关系,使计算量急剧增加,时间复杂度高,收敛速度慢.对模糊C-均值聚类算法进行了改进,在原有的模糊C-均值聚类算法基础上,引入了物理学中的万有引力思想,提出了一种基于引力改进的模糊聚类算法.实验分析表明,该算法能够较好地克服基于距离的模糊聚类算法仅考虑单一位置关系的缺点,并且在一定程度上降低了时间复杂度,提高了算法的收敛速度,聚类效果较好.     

基于模糊多重集的Web页面与用户聚类算法研究

对 Web 页面和用户的聚类算法提出了一种CAFM聚类算法.在该算法中,把模糊多重集的概念引入到模糊聚类算法中,将反映用户浏览行为的页面点击次数、停留时间、用户偏好等因素用模糊多重集来综合刻画用户访问站点的兴趣度,再以此来建立模糊多重相似矩阵直接进行聚类.通过实例说明了算法的具体计算过程和可行性.     

基于λ-Warshall算法的聚类方法

根据数据之间的相似性,提出了一种基于改进Warshall算法的数据聚类方法.该方法在传统Warshall算法的基础上,引入聚类因子λ,构造模糊相似关系的传递闭包.由于相似性的自反性与对称性,该传递闭包就是模糊相似关系的等价闭包,把等价数据分到一类形成聚类.实验结果表明,该方法可得到与传统的K-均值聚类算法相同的聚类结果.     

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.     

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.     

一个高效的模糊分裂聚类算法FSC

本文首先给出作者提出的模糊分割的形式定义.在此基础上我们对模糊 c-means 算法进行了修正,提出了模糊分裂一聚类算法:FSC.这个算法能自动确定聚类数目 c;与模糊 c-means 算法相比,FSC 算法还大大地提高了运算速度.我们认为 FSC 算法具有极大的实用价值.     

基于模糊测度和证据理论的模糊聚类集成方法

针对现有集成方法在处理模糊聚类时存在的不足,提出一种基于证据理论的模糊聚类集成方法.以各聚类成员作为证据元,以样本点间的类别关系作为焦元,通过证据积累构造互相关矩阵.考虑到模糊聚类对于各样本点的聚类有效性,提出一种结合点模糊度和模糊贴近度的类别关系表示方法,并以此作为各证据元的基本概率赋值函数.最后基于互相关矩阵构造样本点间相似性关系,并利用谱聚类算法对其聚类. 实验中通过与多种已有聚类集成方法的对比表明,该方法具有较高的聚类性能.     

基于模糊划分和支持向量机的TSK模糊系统

为了提高模糊系统处理高维问题的推广能力与鲁棒性能,提出将模糊聚类和支持向量机算法结合起来构造TSK模糊系统的算法.首先运用模糊聚类算法对输入空间进行划分,确定模糊规则前件的隶属函数.然后用支持向量机算法确定模糊规则的后件参数.该支持向量机的核函数是由模糊规则前件的隶属函数构造的,并且是Mercer核.在3个数据集的实验结果表明,与TSK模糊系统的传统算法和支持向量机相比较,本文算法具有更好的推广能力和鲁棒性.     

FUZZY MEASURES FOR FUZZY SIGNAL-TO-NOISE RATIOS

ABSTRACT

Signal-to-noise ratios (SNRs) are widely applicable in quality engineering for improving product quality. In real-world applications, the observations are sometimes described in linguistic terms, or are only approximately known, rather than equated with randomness. To deal with imprecise data, the notion of fuzziness was introduced. This paper develops a procedure to calculate the SNR with fuzzy observations. The idea is based on the extension principle. A pair of mathematical programs was formulated to calculate the lower and upper bounds of the fuzzy SNR at possibility level α. From different values of α, the membership function of the SNR was approximated. Three different types of SNRs are discussed: “higher the better,” “lower the better,” and “nominal the best.” Because the SNR is expressed by a membership function rather than by a crisp value, more information is provided for making decisions.     

模糊概念的模糊度研究

本文深入研究了模糊理论中有关模糊度的概念、定义和计算方法、分析了它们在合理性、一致性和区别度等方面存在的问题.在此基础上,提出了一种新的模糊度定义和计算的方法,改进了其合理性、一致性和区别度,对于模糊逻辑的研究和发展具有重要的理论和应用意义.     

基于模糊数模糊集的模式识别

讨论了模糊数模糊集的模式识别问题.首先,引入了模糊数的两种排序方法及模糊数模糊集的概念,并以此给出了模糊数fuzzy集的隶属原则;其次,给出了模糊数模糊集的模式识别的实例;最后,为了度量所得结论的可靠程度,引进了可信度的概念,并提出了可信度的计算公式.     

参考模糊集合构造方法及模糊模型辨识

本文提出了一种基于参考模糊集的模糊模型辨识方法,探讨了模型结构和模糊关系的辨识问题.在隶属函数的定义上引入了优化算法,最终将辨识问题转化为优化问题.文中给出了具体的辨识算法,仿真实例表明该模型辨识方法具有满意的精度.     

模糊寻优问题的模糊遗传算法FGA

针对模糊寻优问题，本文基于模糊集的质心概念来确定模糊集的大小，并进而提出了模糊遗传算法ＦＧＡ。算法ＦＧＡ与遗传算法ＧＡ有本制区别，能用效地找到了模糊寻优问题的近似解，本文对算法ＦＧＡ的有效性作了较深入的分析。     

ROUGH FUZZY SETS AND FUZZY ROUGH SETS*

The notion of a rough set introduced by Pawlak has often been compared to that of a fuzzy set, sometimes with a view to prove that one is more general, or, more useful than the other. In this paper we argue that both notions aim to different purposes. Seen this way, it is more natural to try to combine the two models of uncertainty (vagueness and coarseness) rather than to have them compete on the same problems. First, one may think of deriving the upper and lower approximations of a fuzzy set, when a reference scale is coarsened by means of an equivalence relation. We then come close to Caianiello's C-calculus. Shafer's concept of coarsened belief functions also belongs to the same line of thought. Another idea is to turn the equivalence relation into a fuzzy similarity relation, for the modeling of coarseness, as already proposed by Farinas del Cerro and Prade. Instead of using a similarity relation, we can start with fuzzy granules which make a fuzzy partition of the reference scale. The main contribution of the paper is to clarify the difference between fuzzy sets and rough sets, and unify several independent works which deal with similar ideas in different settings or notations.     

一种基于模糊聚类的模糊辨识方法

介绍一种基于模糊聚类的模糊辨识方法。首先利用含有聚类准则函数的模糊聚类方法来确定模糊规则数和模型前提参数,然后利用最小二乘法来辨识模型的结论参数,最后采用梯度下降法来调整模型的参数。该方法应用于Box-Jenkins数据仿真实例,仿真结果表明该方法简单有效。     

FUZZY MEASURES AND FUZZY INTEGRALS: AN OVERVIEW

This paper provides an overview of fuzzy measures, fuzzy integration theories and Choquet's capacity theory. Belief, plausibility, and possibility measures are characterized as Choquet capacities and as fuzzy measures. The relationship between possibility measures, fuzzy sets, and approximate reasoning is established. Recent results on extensions of fuzzy measures, structural characteristics of fuzzy measures, and convergence of function sequences on fuzzy measure spaces are presented. Fuzzy measure integration concepts due to Sugeno and Choquet and their applications are discussed. An extensive list of references to the literature of fuzzy measures, Sugeno and Choquet integrals, fuzzy probabilities, fuzzy random variables, probabilistic sets, and random sets is provided. Applicalions discussed or referenced include information fusion, information retrieval, approximate reasoning, artificial intelligence, uncertainty theory, and control and decision theory.