一种多维不确定性数据流聚类算法

目前在很多不确定性数据流聚类方法研究中,存在着聚类模型和数据流的数据模型失配问题,且它们往往假定不确定性数据的概率密度函数、概率分布函数或者概率是已知的,然而这些信息在实际系统中很难获得.鉴于此,本文提出一种基于区间数的多维不确定性数据流聚类算法(UIDMicro).在该算法中,首先利用区间数结合不确定性数据的统计信息表示多维不确定性数据流,然后采用“当前簇”和“候选簇”两层簇窗口对不确定性数据流进行聚类,通过动态调整两层簇窗口实现聚类模型和数据模型的实时匹配.实验结果表明,该方法具有较高的聚类精度和处理效率.     

基于FCM算法的零件簇编码分析

给出一个基于模糊c-平均(FCM)算法的零件簇聚类分析的过程模型来描述分析过程;构造了适合于零件簇聚类分析的FCM算法,该方法考虑了零件簇对象特征之间的模糊关系和各零件对象特征聚类中心之间的距离,无需设计权重系数;通过实例进行了聚类分析,并与模糊聚类和k-平均聚类两种方法进行比较,证明该FCM算法是有效的。     

基于本体的改模方案聚类研究

在分析改模知识的基础上,提出了一种基于本体的聚类分析法来获得典型的改模方案,建立了注塑模改模知识领域本体,确立了用矩阵方法表达改模方案数据的数学模型。通过基于改模知识领域本体之间概念相似度的计算获得改模概念间的语义相似度、用归一化公式计算改模方案间的相似度和簇间相似度,用相似度矩阵表示改模方案间的相似度,并应用凝聚的层次聚类法进行改模方案的聚类,通过改模方案聚类粒度的确定方法获得聚类结果。以企业的改模方案数据为例,验证了该方法的有效性。     

基于GT编码的零件聚类树的建立

基于成组技术，提出了用零件分类编码的哈明距离函数来表达零件相似性。在此基础上，利用领域知识和概念性聚类的方法，将零件的属性分为有序属性和无序属性来表示其语义距离，并结合模糊表示方法对属性值进行规格化处理，从而根据零件之间距离的远近建立零件聚类树，为零件之间相似性建立层次结构，奠定了自适应的动态分类和工艺制作的算法基础。     

基于聚类算法及BP网络的零件族构造方法研究

为解决多品种小批量产品的零件成组设计与加工的问题,提出了基于编码的K-means聚类算法和有效性指标的已有零件成组,以及利用BP网络法实现新零件归族的方法来构造零件族的方法。建立零件聚类成组的数学模型,利用函数指标来检验零件成组的有效性并得出最佳聚类族数。利用神经网络算法来进行零件分组的BP网络训练,通过训练后的网络对新的零件进行仿真,从而实现新零件的匹配。通过实例证实该方法可准确构建相似件的零件族。     

改进的FCM聚类算法

经典FCM聚类算法存在的两个方面的问题：一是算法对初始聚类中心的过分依赖性;二是算法需要预先知道实际的聚类数目,而在实际应用中,聚类数目却是未知的。对此提出了一种解决方法,通过仿真实验证实了该方法的可行性与有效性。     

云制造平台资源需求的高效匹配策略研究

为快速、精确地从云制造平台资源池中搜索到满足用户需求的资源,实现资源与需求的高效匹配,提出了一种资源需求高效匹配策略。首先,建立了资源与需求的形式化描述模型,在此基础上,采用改进的K-means聚类算法按基本信息进行聚类,对云服务池中的资源进行预处理,形成多个资源簇;其次,计算用户需求与各资源簇聚类中心基本信息的相似度,确立备选资源簇;最后,再分别从资源的状态信息、功能信息和服务信息3个方面对备选资源簇中的备选资源进行筛选匹配。实例分析和研究结果表明:与已有的匹配方法相比,该方法在保持较高匹配精度的同时具有更高的匹配效率。     

一种改进的模糊C-均值(FCM)彩色图像分割算法

针对传统模糊C-均值(FCM)聚类算法计算量大,聚类中心对初始值敏感和聚类数目不能自适应确定的缺点,提出了一种改进的FCM算法。首先对图像进行采样量化,并在满足视觉一致性的L*a*b*颜色空间计算并统计图像的色差信息,然后依据全局色差阈值选取初始聚类中心,对图像进行聚类分析,同时根据准则函数确定最佳聚类数,实现了聚类中心的优化选取和最优聚类数目的确定,有效减少了计算量。研究结果表明,改进后的FCM算法不仅较好地克服了传统FCM算法的缺点,而且聚类效果好,处理速度快,聚类效果与人的视觉感应保持了良好的一致性。     

零件分类成组的聚类分析法

本文是根据用于机械加工成组技术的分类原则,以聚类分析的方法,对零件进行无编码分类成组的一种新方法。文中详细介绍了用聚类分析法对零件进行分类成组的方法和步骤。这一方法可一次形成零件的多组分类,并以动态聚类图的形式进行描述,表达清晰、直观,并且便于应用计算机进行零件的分类成组。     

多视图K-多均值聚类算法

多均值聚类算法假设每个类拥有多个子类,通过求解优化问题的方式来求解每个样本子类的划分和最终类簇的划分.该算法弥补了K-均值算法在非球数据集上的劣势,取得了较好的聚类效果,但是该算法无法被运用到多视图数据集上.本文提出了一种多视图K-多均值聚类算法,保留了K-多均值设置多个子类的设计,引入了视图权重参数,将目标聚类数作为限制条件,通过求解最优问题获得最终的类簇.将本文提出的算法与流行的多视图聚类算法进行对比实验,证明了本文算法的优越性.