基于GM(1,1)灰色预测模型的改进与应用

针对传统的GM(1,1)模型预测精度不高,并且其求解优化与多项式拟合各有片面性的缺点,给出了基于求解优化和多项式拟合优化相结合的改进灰色等维动态预测方法。结合美国近两百年人口的相关统计数据,利用传统的GM(1,1)模型及其优化后的模型进行误差比较。结果表明改进后的灰色模型预测精度更高,说明改进后的灰色预测模型的可行性与可靠性更好。     

2-维线性动态膜壳方程组的对称性

在弹性张量满足强椭圆性条件的假设下,把2-维线性动态膜壳方程组化为一阶线性对称双曲组。     

基于犹豫模糊Canopy-K均值聚类算法的研究与应用

针对传统K均值聚类算法对初始值敏感、易陷入局部极值点,导致数据分类结果不理想的问题,本文提出一种基于犹豫模糊Canopy-K均值聚类算法。首先利用Canopy算法对原始数据进行初步分类,形成多个数据重合的Canopy中心集合,即得到K均值算法的初始聚类中心。然后再利用K均值聚类算法进行聚类,得到最终的聚类结果。最后结合疫情后复工复产企业评价信息数据进行实例分析,从6个方面对复工复产的5个企业发展情况进行评估。将新提出的算法和基于层次分析的K均值聚类算法进行对比分析。结果表明,新提出的方法较大地减少了迭代次数,聚类结果更加合理、稳定和有效。     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

基于指数熵加权的降维犹豫模糊兰氏距离测度及应用

首先提出几种基于兰氏距离的犹豫模糊集距离测度.然后针对两个犹豫模糊数中的隶属度个数不相等问题,提出新的犹豫模糊数降维方案.该方案不需要反复添加最大最小隶属度数值到犹豫模糊数中,不仅很好地保留了数据的原始信息,而且减少了计算距离时的计算量.针对属性权重信息完全未知的情况,采用实际数据信息构造犹豫模糊指数熵,并利用信息熵最小化原则计算得到属性权重.最后利用指数熵加权的降维犹豫模糊兰氏距离测度,结合实际的医疗诊断数据进行实例分析.结果表明,所提出的基于指数熵加权的降维犹豫模糊兰氏距离测度不仅在$\lambda$取不同值时诊断结果一致,而且减少了计算量,提高了诊断效率,对实时、有效的医疗诊断具有一定的应用价值.     

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。