一种多粒度粗糙区间模糊集方法

多粒度是利用粗糙集方法处理分布式数据的一种有效手段。为了使得多粒度方法能够用于模糊目标的近似逼近,提出了一种多粒度粗糙区间模糊集方法,分别包括乐观和悲观两种不同的模型。不仅对这两种多粒度粗糙区间模糊集的基本性质进行了讨论,而且通过实例分析表明了新提出的模型用于处理区间模糊问题的有效性。     

基于K均值聚类的定位算法分析

在描述了聚类算法的基本思想和概念的基础上,介绍了一种常见的聚类算法—K均值和K中心点聚类算法,通过处理认知无线电网络中主用户定位在海量数据中应用K均值聚类算法,对该算法进行分析,仿真结果表明:与传统的主用户定位算法相比,使用K均值聚类算法能够有效地提高定位精度和降低定位算法的复杂度.     

基于密度加权的K均值聚类密钥量化方案

在物理层密钥生成过程中,现有传统的量化方案基于规则量化边界设计,无法根据实际采样测量值自适应动态调整量化边界,当量化边界不规则时边界附近量化产生的密钥不一致率较高.针对上述问题,提出一种基于密度加权的K均值聚类密钥量化方案,通过统计测量值在复平面的分布疏密情况,使量化分界远离测量值密集区域,降低噪声对量化判决的影响.仿...     

一种使用最大均值差异方法的多因子进化算法

主要研究和改进多因子进化算法(Multi-Factor Evolutionary Algorithm, MFEA),使用最大均值差异(Maximum Mean Discrepancy, MMD)方法优化的后代种群的混合概率分布作为算法的度量准则。MFEA-MMD在MFEA-II算法的随机分配概率(Random Mating Probability, RMP)矩阵的基础上改进,最大程度避免多因子进化算法最常见的负迁移的影响,改进后的算法收敛速度比MFEA-II更快,算法运算速率比MFEA-II高出29%,任务间知识迁移程度比MFEA-II高出35%。     

基于理想点的区间粗糙数型多属性决策方法

定义了区间粗糙数的欧氏距离和期望值。针对属性值为区间粗糙数且属性权重为区间数的多属性决策问题,提出一种基于理想点的决策方法。利用TOPSIS法构建了相对贴近度的非线性分式规划模型,得到了各方案相对贴近度,进而对各个方案进行排序。通过算例验证了所提方法的有效性。     

基于二维熵分量的K均值攻击效果评估

提出了一种利用二维熵分量的K均值攻击效果聚类评估方法. 利用网络熵预处理攻击数据集,将效果数据映射到二维平面,并以二维熵分量作为聚类的输入,然后基于K均值算法建立聚类数据集与效果分类之间的关系,实现了对网络攻击效果结果集的明确划分,并提供快速有效的评估结果. 仿真实验结果证明,该方法能高效正确地处理攻击数据,并以评估结果类图的形式提供直观的评估结果.     

一种优化初始化中心的k均值web信息聚类算法

k-means算法是一种重要的聚类算法,在网络信息处理领域有着广泛的应用。由于k-means算法终止于一个局部最优状态,所以初始类中心点的选择会在很大程度上影响其聚类效果。针对k-means算法所存在的问题,构造了文本集合的相似度矩阵,基于平均相似度集合通过排序迭代优选出了初始中心点。实验表明此算法可以有效减少迭代次数并提高聚类精度,最终获得较好的聚类效果。     

基于减法聚类和K均值聚类的彩色图像分割算法

传统图像分割方法大都存在分割速度低下、过度分割等缺点.针对上述问题,提出一种新的彩色图像区域分割算法.这种方法首先将图像转化至L＊a＊b＊空间,并划分为子块,抽取图像子块的颜色、纹理和位置特征组成子块的特征向量,然后运用减法聚类,获得聚类簇数和初始蔟中心,最后利用改进的K均值算法在像素点特征空间进行聚类,进而分割图像成区域.实验结果表明这种新方法具有分割效率高、分割效果理想等优点.     

基于处罚的K-均值优化算法

判断聚类结果中是否存在误分类的簇,即簇中包含的样本不属于同一类。若存在,则在已有聚类结果上使用加权方案,处罚误分类的簇,输出新的聚类结果。若不存在,则输出已有聚类结果。限制簇集中存在误分类的簇,消除初始聚类中心对K-均值算法的影响,提高聚类准确率。实验结果表明,该算法与K-均值算法、优化初始聚类中心的K-均值算法相比,在坏的初始化条件下,表现出更好的鲁棒性;在含有噪音的数据集中,表现出更好的抗噪性能;聚类效果更好。     

基于模糊K均值和自适应混合蛙跳算法的分簇路由设计

为了解决传统分簇路由协议中存在的能耗开销不均衡和簇头选举不合理的问题,提出了一种基于模糊K均值和自适应混合蛙跳算法的WSN负载均衡分簇路由协议。首先,Sink节点收集各子区域的节点位置信息,并行运行模糊K均值算法将网络区域分为若干大小规模不同的簇,并将数据中心拟合到初始簇头节点。然后,以最大化节点剩余能量和最小化节点与簇头以及簇头与Sink节点的距离为目标定义了适应度函数,采用改进的自适应混合蛙跳算法对簇头进行寻优,并将最优解作为最终的簇头。最后,设计了最小跳数路由算法获得各簇头到Sink节点的最小跳数路由。采用NS2仿真工具对该方法进行仿真,实验表明:该方法具有较长的网络生命周期,较其它方法延长生命周期30%以上,具有较大的优越性。     

一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

自适应选取聚类中心K-means航迹起始算法

为揭示多传感器观测数据的正态分布态势,实现对源于异类目标的跟踪,提出一种新的多传感器航迹起始算法,本算法主要特点是初始聚类中心的自适应选取以及对逻辑估计法的起始夹角修正。估计算法中采用不相似性度量阈值的角度衡量方法,同时还结合聚类数目自适应归纳及初始聚类中心的推演逼近,从而使单传感器的航迹起始估计算法可以应用于多传感器的航迹起始根据;然后对聚类后的数据采用修正的逻辑航迹起始算法起始目标航迹。蒙特卡洛估计表明,新的自适应K-means聚类估计区分呈团状分布的不同目标的能力好,且通过估计算法得到的目标非常接近真实目标位置。经过自适应聚类处理后的目标航迹起始估计可有效滤除杂波干扰,降低虚警概率,能够获得较好的多传感器航迹起始。     

A neurofuzzy system based on rough set theory and genetic algorithm

This paper presents a hybrid soft computing modeling approach for a neurofuzzy system based on rough set theory and the genetic algorithms ( NFRSGA ). The fundamental problem of a neurofuzzy system is that when the input dimension increases, the fuzzy rule base increases exponentially. This leads to a huge infrastructure network which results in slow convergence. To solve this problem, rough set theory is used to obtain the reductive rules, which are used as fuzzy rules of the fuzzy system. The number of rules decrease, and each rule does not need all the conditional attribute values. This results in a reduced, or not fully connected, neural network. The structure of the neural network is relatively small and thus the weights to be trained decrease. The genetic algorithm is used to search the optimal discretization of the continuous attributes. The NFRSGA approach has been applied in the practical application of building a soft sensor model for estimating the freezing point of the light diesel fuel in a Fluid Catalytic Cracking Unit (FCCU) , and satisfying results are obtained.     

聚类算法初始聚类中心的优化

对近年来k-means算法的研究现状与进展进行总结.首先对较有代表性的初始聚类中心改进的算法,从思想、关键技术和优缺点等方面进行分析.其次选用知名数据集对典型算法进行测试,主要从就同一个数据集不同改进算法的聚类情况进行对比分析,为聚类分析和数据挖掘等研究提供有益的参考.     

基于BFOA和K-means的复合入侵检测算法

K-means算法对初始聚类中心及簇数K的选择敏感,导致聚类结果不稳定,会对IDS(intrusion detection system, IDS)的检测结果产生重要影响。针对该问题,提出一种基于细菌觅食优化算法(bacterial foraging optimization algorithm, BFOA)和K-means相复合的入侵检测算法(HIDS)。HIDS算法首先基于距离阈值方法动态确定簇数K,再利用BFOA优化生成初始聚类中心,使得选择的初始聚类中心达到全局最优,从而解决了K-means算法的聚类结果不稳定的问题,进而提高入侵检测的准确率。为验证算法的有效性和测试算法性能,将HIDS在KDD99数据集上进行试验测试,入侵检测率可达98.33%。试验结果表明该方法能够有效提高检测率并且降低误检率。     

基于核K-means的增量多视图聚类算法

针对基于核的多视图聚类算法(kernel based multi-view clustering method, MVKKM)在处理大规模数据集时运行时间长的缺点,引入增量聚类模型的概念,将MVKKM算法与增量聚类模型相结合,提出基于核K-means的多视图增量聚类算法(incremental multi-view clustering algorithm based on kernel K-means, IMVCKM)。通过将数据集分块,在每个数据块中使用MVKKM算法聚类,并将每个数据块的聚类中心作为下个数据块的初始聚类中心。将所有块的聚类中心进行整合后再次进行多视图聚类,得到最终的聚类结果。试验结果表明,在3个大规模数据集上,IMVCKM算法相较于MVKKM算法在3个评价指标上具有更好的聚类结果,且运行时间更短。该算法在保证聚类性能的基础上大大降低算法的运行时间。     

基于网格的二次K-means聚类算法

传统的K-means算法是一种常用的聚类算法,但它对于初始聚类中心敏感,容易受到"噪声"和孤立点的影响,由此提出了一种基于网格的二次K-means聚类算法.此算法先将空间划分为多个大小相等的网格,然后根据给定的密度阈值来计算出密集网格,对密集网格中的点进行初次聚类,将初次聚类结果的均值点作为第二次聚类的初始均值点,从而消除了"噪声"和孤立点的影响,并且保证了信息的完整,实验证明此算法是有效的.     

基于SOMK算法的T-S模糊系统建模方法

针对T-S模糊系统建模中的结构辨识和参数辨识问题,以自组织特征映射SOM算法与K-means算法相结合的SOMK算法对输入样本进行聚类,同时以Davies-Bouldin(DB)指标来验证聚类的有效性,得到最佳聚类数即为T-S模糊系统模型的规则数。然后用所得模糊规则数和聚类中心来辨识T-S模糊系统模型前件参数进而采用最小二乘算法来确定模糊推理规则的后件参数。最后,用仿真实例验证了文中所提出的建模方法与相应算法。仿真结果表明,该方法逼近精度高,泛化能力强,具有较好的实际应用价值。     

基于粗糙集图像分层算法的研究

提出了一种基于粗糙集的图像分层新算法,首先从数字图像中提取色彩信息和空间信息构造条件属性集,分析经典的图层信息构造决策属性集,然后运用粗糙集理论进行数据挖掘,从而得到从条件属性集到决策属性集的强规则,运用这些规则对数字图像进行智能分层。最后,用实例证明了该算法的正确性。