基于Pareto协同进化算法的TS模糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法．该方法由以下两步组成：1）采用模糊聚类算法辨识初始模型；2）利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化．Pareto协同进化算法由规则前件种群和隶属函数种群组成，其目标函数同时考虑模型的精确性和解释性，采用一种新的基于非支配排序的多种群合作策略．利用该方法对一类合成非线性动态系统进行建模，仿真结果验证了该方法的有效性．     

基于智能计算的聚类挖掘研究进展

聚类是数据挖掘的主要任务之一,它在知识发现、模式识别、决策支持等方面有着重要应用,聚类挖掘已成为一个非常活跃的研究课题;近年来,基于智能计算的数据挖掘方法研究有了较大进展,机器学习、遗传算法、粒子群优化技术的应用在一定程度上改善和提高了聚类挖掘的性能和效率,但聚类技术仍面临着输入参数对领域知识的依赖性、交互动态性等方面的严峻挑战.     

基于人工免疫算法的交通时段自动划分方法

多时段定时控制是城市交通信号控制的重要方式之一,交通时段的合理划分是制定多时段定时控制方案的基础.为克服传统时段划分方法的局限性,实现城市交通时段的自动划分,论文提取生物免疫系统的隐喻机制,基于免疫网络理论和克隆选择原理,建立了一种人工免疫数据聚类分析算法,并详细阐述了聚类算法在城市交通时段自动划分中的具体应用.实例分析表明,该算法可以有效减少聚类数据的冗余信息,特别适合于解决分级聚类等传统方法不适应的大数据量聚类问题,对解决城市交通时段的自动划分等数据聚类问题是可行的和有效的.     

基因微阵列数据中的聚类技术研究

微阵列技术是后基因时代功能基因组研究的主要工具。由于采用了高效的并行杂交技术,每次实验可以得到大量丰富的数据,因此其结果分析成为一项很有挑战性而且具有重要意义的工作。聚类分析是微阵列数据分析中使用最为广泛的一类方法。微阵列实验得到的大量数据通过聚类分析,可以得到很多有用的信息,其成功应用已广泛涉及到基因功能研究和生物医学研究中的各个领域。文中介绍了基因微阵列数据的聚类分析方法及其重要应用。     

一种自适应的蚂蚁聚类算法

受蚂蚁分巢居住行为的启发,提出一种人工蚂蚁运动(ant movement,简称AM)模型和在此模型上的一个自适应的蚂蚁聚类算法(adaptive ant clustering,简称AAC).将人工蚂蚁看成一个行为简单的Agent,代表一个数据对象.在AM中,人工蚂蚁有睡眠和活跃两种状态.在AAC算法中,定义了一个适应度函数用来衡量蚂蚁与其邻居的相似程度.人工蚂蚁通过其适应度和激活概率函数来决定处于活跃态或者睡眠态.整个蚂蚁群体在移动中动态地、自适应地、自组织地形成多个独立的子群体,使不同类别的蚂蚁之间相互     

基于ZigBee的无线传感网的分群算法

无线传感网络(Wireless Sensor Networks,WSNs)是通信、传感、计算机技术结合的产物,已成为当前研究的热点。分群是诸多研究中的重点,针对WSNs的特点,提出了一种基于最大连接度算法的传感网络的分群算法,适合ZigBee传感网络的异质节点的情况,在网络结构变化时能快速地重新分群,保证网络的稳定、可靠。     

基于时空分区聚簇的海量时空数据性能优化方法研究

时空一体化的海量数据管理及相应的时序分析能力是新一代GIS软件体系的重要研究目标之一。当前，基于无缝海量大表的空间及时态空间数据的存取效率亟待提高。为了对海量时空数据进行有效管理和提高时空检索效率，以扩充关系型时空模型为基础，对大型对象一关系型数据库平台所提供的数据分区与聚簇方法进行了时空维的扩展，提出了基于时空分区聚簇（spatio-temporal partition clustering，STPC）的海量时空数据性能优化方法。基于2GB～60GB的单表所进行的检索效率对比测试结果表明，STPC机制较普通的数据组织方式时空检索效率平均提高了10．1％。     

一种基于混合因子分析的分布估计算法

提出了一种基于混合因子分析的分布估计算法．首先用次胜者受罚的竞争学习算法对选出的最优个体集合聚类，然后对每个类用因子分析模型进行分布信息的估计．为了保持种群的多样性，算法保留那些具有较好适应值并且与所选的最优个体集合较远的个体，并利用聚类的参数来减少计算量．试验结果证实了算法的性能．     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

多支撑向量网络研究

基于任务分解的策略，提出多支撑向量网络算法．由于每个子网络只完成相应的子任务，因而多支撑向量网络可以解决更为复杂的学习任务．同时整个系统更容易理解和修正并且具有更好的系统性能．仿真试验结果表明该方法是有效的．