基于半径/中心约束的模糊C-球壳聚类算法

本文针对数字图像处理和计算机视觉中的圆检测问题,提出了基于半径/中心约束的模糊C-球壳聚类算法.首先利用共形几何代数理论以球壳替代传统的点作为聚类原型,以共形空间中模式与球壳的内积来表示模式与球壳的距离关系,并引入模糊隶属度函数来体现待分类模式和与之对应的球壳的隶属关系,给出了基于半径和中心约束的模糊C-球壳聚类算法的...     

基于空间邻域信息的二维模糊聚类图像分割

传统模糊C均值聚类(FCM)算法进行图像分割时仅利用了像素的灰度信息,并且使用对噪声较敏感的欧氏距离作为像素与聚类中心距离度量的标准,因此抗噪性能较差.为了克服传统FCM算法的局限性,本文提出了一种基于空间邻域信息的二维模糊聚类图像分割方法(2DFCM).该方法利用二维直方图描述的像素邻域关系属性,一方面为聚类提供较准确的初始聚类中心,从而避免聚类中的死点问题;另一方面通过提出聚类中心同时在像素值、像素邻域值二维方向上进行更新的思想,建立了包含邻域信息的新的聚类目标函数,实现了图像的分割.实验结果表明,这种方法抗噪能力强、收敛速度快,是一种有效的模糊聚类图像分割方法.     

集成多策略改进FCM算法的旋转机械故障数据聚类分析研究

针对旋转机械故障数据聚类分析中的初始聚类中心不确定和孤立点敏感问题,提出了一种集成多策略改进的模糊C均值(FCM)聚类方法。首先以故障数据集的决策属性为等价关系对数据集进行划分,得到若干个由等价关系导出的等价类;然后以每个等价类为可行域,采用均值漂移方法搜索故障数据类中心;最后以搜索到的类中心为FCM算法的初始聚类中心,通过核技术计算故障数据样本与相应类中心在高维特征空间中的欧氏距离,从而实现数据样本相似性的有效度量,并完成故障数据的模糊聚类。通过标准数据集和旋转机械故障数据集对方法的性能进行了验证及比较分析。结果显示,改进FCM算法的聚类性能相比传统FCM算法的聚类性能得到了明显提升,在收敛速度和聚类准确性两个性能指标上,改进的FCM算法比FCM算法具有显著优势。     

模拟退火与模糊C-均值聚类相结合的图像分割算法

模糊C-均值(FCM)聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,比较有效,但存在着受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小的缺点.将模拟退火算法(SA)与模糊C-均值聚类算法相结合,在合理选择冷却进度表的基础上,依据模糊C-均值聚类算法建立模拟退火算法的目标函数,实现了基于模拟退火的模糊C-均值聚类图像分割算法.实验表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果.     

基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法（SFFCM）。先用简单线性迭代聚类（SLIC）算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类（FCM）算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。     

基于模糊C均值聚类和转子轴心轨迹特征的转子状态诊断

针对现有轴心轨迹特征用于转子故障程度判别识别精度低、效果差的问题,提出一种基于轴心轨迹象限信息熵的轴心轨迹特征提取新方法。该方法将轴心轨迹按象限划分为四个区域,分别计算四个区域的信息熵作为故障特征,然后使用模糊聚类进行故障模式识别和故障程度判别。通过分析网格划分程度对于聚类效果的影响,确定了象限信息熵获取过程中关键参数的确定方法,进而通过聚类中心初始化,改善了模糊C均值算法聚类效果不稳定的问题。通过在实验台进行不同故障不同程度的故障模拟实验,将提出的新指标与现有轴心轨迹特征进行对比,结果表明该方法在识别效果和数据可视化方面表现卓著,为后期进行实时状态监测和故障精密诊断提供了新的思路。     

基于改进有序聚类法的立式加工中心进给系统温测点优化

为解决立式加工中心热误差补偿关键技术中温测点难选取的问题，提出了一种基于改进有序聚类法的机床进给系统温测点优化方法。首先，结合试验数据计算反映温测点温度变量与热误差相关性的互信息值，初步筛选机床各部件的温测点，消除测点间的耦合性；然后，根据筛选出的温测点，通过建立类直径矩阵和计算各类的最小误差函数，获得温度变量分类；最后，基于多元线性回归建立包含多个不同温测点的热误差模型，并对模型进行统计学综合分析，确定了最佳聚类数和最佳温测点。结果表明：在不同加工条件下采用改进有序聚类法建立的热误差模型的均方根误差和平均残差分别降至1.05 μm和1 μm以下，相较于采用传统有序聚类法和灰色关联度模糊聚类法建立的热误差模型，它具有更高的热误差预测精度和更好的鲁棒性。所提方法在中小型加工中心进给系统的温测点研究中具有广阔的应用前景。     

基于模糊聚类分析的电力客户信用评价算法

通过对模糊聚类算法的分析,针对电力客户信用分类的特征,提出了基于模糊聚类分析的电力客户信用评价算法。得到了不同客户群的聚类中心以及客户的隶属度矩阵,为客户群的特征分析提供了量化依据。试验对比结果表明,本文方法得到了满意的客户聚类及分类结果。     

基于改进蝙蝠优化自确定的模糊C-均值聚类算法

针对模糊C-均值聚类算法敏感于初始聚类中心及聚类收敛慢、聚类数目手动设定等缺陷,提出了基于改进蝙蝠优化自确定的模糊C-均值聚类算法。该算法是基于密度峰值综合衡量聚类中心外围数据密集程度和聚类中心间距离,自动确定聚类中心和聚类数目,以此作为改进蝙蝠算法的初始中心;在原始蝙蝠算法中引入Levy飞行特征加强算法跳出局部最优能力;使用Powell局部搜索加快算法的收敛,利用改进的蝙蝠种群进行种群寻优,并将最优蝙蝠位置作为聚类C-均值新聚类中心,进行模糊聚类,以此循环交叉迭代多次最终获得聚类结果。将基于改进蝙蝠优化自确定的模糊C-均值聚类算法与其它两种聚类算法在标准数据集上进行仿真对比,实验结果表明:与其它两种算法相比,该算法收敛速度快、误差率低。     

基于模糊聚类和模糊支持向量机的湿法炼锌净化除钴过程建模

提出了一种基于模糊C-均值(FCM)聚类和模糊支持向量机(SVM)方法相结合的湿法炼锌净化除钴过程建模方法。该方法针对样本空间影响支持向量机泛化性能和样本数量影响计算复杂度的问题,首先采用模糊聚类将学习样本分类,然后在各个类的样本空间内采用模糊支持向量机进行训练,并对各支持向量机模型的输出加权作为过程模型的输出。以净化除钴过程生产数据进行实验验证的结果表明,该方法明显减少了模型的训练时间,模型具有精度高、泛化性能好等特点,可以用于净化过程的优化控制。     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

A hybrid AI optimization method applied to industrial processes

A hybrid artificial intelligent optimization (HAIO) method, which combines traditional classification pattern recognition (CPR) with artificial neural networks (ANN), applied to industrial processes is presented. This new method includes the fuzzy membership function of sample class, the center cluster of class, a hopeful region, inverse mapping, independent neural network modeling of classified analogy, CPR-ANN, GA (genetic algorithm)-ANN and network-based expert system etc. Some applications of the HAIO are shown.     

基于Rough集理论的模糊神经网络构造方法

提出了在模糊神经网络中使用Rough集理论进行网络结构设计的方法。由于Rough集理论有强大的数值分析能力,而模糊神经网络具有准确的逼近收敛能力和较高的精度,所以通过两者的结合,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种网络构造方法的主要过程为：首先,利用Rough集理论对给定数据集进行规则获取;然后,根据这些规则构造模糊神经网络各层的神经元个数及相关参数初始值;最后,用BP算法迭代求出网络的各种参数,完成网络的设计。给出了一个二维非线性函数拟合的实例,进一步验证了方法的正确性。     

基于灰色聚类评估的配送中心选址模糊多目标优化模型

将多属性决策方法与最优化方法相集成,研究了多配送中心选址优化问题。首先采用灰色聚类决策计算各候选地定性属性的综合评估值。再以选定配送中心的评估值均值最大化、系统成本最小化,以及配送中心容量利用率最大化作为3个优化目标,建立一个考虑需求点模糊需求、供应点与候选配送中心容量限制的三级供应链系统多配送中心选址模型。该模型被描述成了一个多目标的非线性混合整数规划模型。采用机会约束规划对模糊需求进行清晰化处理,并应用目标加权的方法将问题转化为单目标问题。通过算例验证了所提模型的可行性。在实际工作中,可根据决策者权重偏好得出令人满意的结果。     

Neural Networks in Applied Statistics

Artificial neural networks are computer algorithms or computer programs derived in part from attempts to model the activity of nerve cells. They have been applied to pattern recognition, classification, and optimization problems in the physical and chemical sciences, as well as in other fields. We introduce the principles of the multilayer feedforward network that is among the most commonly used neural networks in practical problems. The relevance of neural network models for the applied statistician is considered using a time series prediction problem as an example. The multilayer feedforward neural network uses a nonlinear function of the predictors to obtain predictions for future time series values. We illustrate the considerations involved in specifying a neural network model and evaluate the accuracy of neural network models relative to the accuracy obtained using other computer-intensive, nonmodel-based techniques.     

Design of a product quality control system based on the use of data mining techniques

In recent years industries have increasingly used customer relationship labor in management as a tool to improve their position in the marketplace. This research involves using a data warehouse, decision-tree-based data mining, and neural network pattern classification analysis to isolate the causes of non-conformity in IC packaging. The correctness of the classification analysis produced using the two methods is compared. Our objective is to establish an information analysis system, that is able to quickly identify the causes of problems thereby reducing the time taken to solve quality-related problems. It is shown that predictions made about the target group using decision tree analysis are more accurate than those made by neural network classification, indicating that decision tree analysis is an effective means of classification analysis of a company's quality problems.     

Binary classification posed as a quadratically constrained quadratic programming and solved using particle swarm optimization

Particle swarm optimization (PSO) is used in several combinatorial optimization problems. In this work, particle swarms are used to solve quadratic programming problems with quadratic constraints. The central idea is to use PSO to move in the direction towards optimal solution rather than searching the entire feasible region. Binary classification is posed as a quadratically constrained quadratic problem and solved using the proposed method. Each class in the binary classification problem is modeled as a multidimensional ellipsoid to form a quadratic constraint in the problem. Particle swarms help in determining the optimal hyperplane or classification boundary for a data set. Our results on the Iris, Pima, Wine, Thyroid, Balance, Bupa, Haberman, and TAE datasets show that the proposed method works better than a neural network and the performance is close to that of a support vector machine.     

Hesitant fuzzy programming technique for multidimensional analysis of hesitant fuzzy preferences

The linear programming technique for multidimensional analysis of preferences (LINMAP) is the most representative method for handling the multiple criteria decision making (MCDM) problems with respect to the preference information over alternatives. This paper utilizes the main structure of LINMAP to develop a novel hesitant fuzzy mathematical programming technique to handle MCDM problems within the decision environment of hesitant fuzzy elements (HFEs). Considering the hesitancy of the decision maker, both the pair-wise comparison preference information over alternatives and the evaluation information of alternatives with criteria are represented by the HFEs. Based on the incomplete pair-wise preference judgments over alternatives, we propose the concepts of the hesitant fuzzy consistency and inconsistency indices. Furthermore, we construct a hesitant fuzzy mathematical programming model to derive the weights of criteria and the positive-ideal solution. In this hesitant fuzzy programming model both the objective function and partial constraints’ coefficients take the form of HFEs, and an effective approach based on the ranking method of HFEs is further developed to solve the new derived model. To address the incomplete and inconsistent preference structures of criteria weights, we introduce several deviation variables and establish the bi-objective nonlinear programming model. At length, we employ a green supplier selection problem to illustrate the feasibility and applicability of the proposed technique and conduct a comparison analysis to validate its effectiveness.     

ART1神经网络在基于CBR概念设计中的应用

提出一种机构编码方法,可以分别对机构的运动功能属性和功能质量属性进行二进制编码,在此基础上,深入探讨了ART1神经网络在机构实例的分类和决策中的应用并对其算法进行了改进．与其它神经网络相比,ART1网络的优点在于可以实现机构动态分类和决策,设计者可根据自己的意图,通过调节警戒参数得到满意或最优的设计方案．实例表明,该方法合理可行．     

基于模糊神经网络的数据融合结构损伤识别方法

为了有效利用结构健康监测系统中的多源传感器数据信息,提高损伤检测与评估的识别正确率,该文通过构造模糊神经网络分类器,提出了一种基于模糊神经网络的数据融合损伤识别方法并将之应用于结构健康诊断中。它先通过数据预处理,提取原始响应信号中的特征参数,接着将之作为模糊神经网络的输入,构造模糊神经网络模型进行识别决策,最后运用数据融合算法,计算出数据融合后的决策结果。为了验证所提方法的有效性,通过一个7自由度的建筑模型,分别用单一模糊神经网络决策器和数据融合损伤识别方法进行了损伤识别和比较。研究结果表明:该文所提方法比单一决策结果更准确、可靠。