基于FCM与模糊粗糙集理论的交通事件检测模型

为准确及时地发现高速公路上的事故隐患,有效地减少交通延误,保障道路安全,提出了一种新的基于模糊C均值（FCM）聚类和模糊粗糙集的交通事件自动检测模型。模型分为离散化、推理规则建立和模糊推理三个步骤。在属性离散化时,提出用常用的隶属度函数来拟合FCM聚类后的结果,并用此函数和参数来实现属性数据的离散化,避免了每次输入数据都必须通过聚类操作来进行离散化;采用了粗糙集理论建立推理规则,选择和交通事件密切相关属性并进行规则的约简,加速了模糊推理的速度;最后采用Max-Min模糊推理方法对交通事件进行检测。通过多种检测方法对比测试,结果表明了此模型在总体性能上优于传统的检测方法,验证了此模型的有效性,为交通事件的检测提供了一种新的思路。     

计算机动画技术发展研究

本文将国内外计算机动画发挥情况进行了对比,并介绍了目前计算机动画技术发挥在那的现状。     

基于电场成像的液位测量系统的设计与实现

提出一种依据电场成像理论,利用多感应元的液面测量方法。通过运用A／D数据再处理,波动液面模糊控制和感应元学习等手段,有效地消除了传统液位测量方法的一些弊端,提高了液面测量的精度。实验表明,该方法能够精确的测量出多种导电液体的液位,有广阔的应用领域。所设计实验测量系统分辨力可达到4mm,测量误差不大于8mm。     

混合神经模糊分类器的实现

人工神经网络与模糊系统是计算智能的核心内容,二者的混合系统是近年来的一个研究热点。分类是数据分析中的研究重点,随着数据的复杂化和多样化,对分类的要求越来越高,有时仅凭经验和专业知识难以确切地进行分类,因此研究如何运用神经模糊分类算法进行数据分析具有重要意义与实用价值。鉴于其强大的数据分析功能,研究中采用模糊C均值聚类算法和Gath—Geva聚类算法对数据进行分类,并对测试数据进行仿真试验,其测试结果良好。     

新的鲁棒模糊C-均值聚类分割算法及其应用

针对Krinidis和公茂果等提出的系列鲁棒模糊局部C-均值聚类算法存在聚类中心迭代公式缺乏严格数学理论基础的不足,于是将其聚类目标函数及其约束条件采用拉格朗日乘子法进行严格数学推导,从而获得最优解逼近的隶属度和聚类中心迭代表达式,并通过多次循环迭代实现图像聚类分割。实验结果表明,本文所建议的鲁棒模糊局部C-均值聚类分割算法是有效的,相比现有鲁棒模糊局部C-均值聚类分割算法更适合复杂遥感等图像的分割需要。     

微分进化自适应模糊C均值分割算法

模糊C均值（FCM）聚类算法分割图像时;对图像的背景噪声和聚类算法的初始值比较敏感;为了克服这个问题;进而提出了微分进化模糊[C]均值分割算法。为了避免陷入局部极值;首先使用FCM聚类初始化;接着用改进的FCM进行模糊聚类;然后进行初始化种群操作;设置微分进化DE算法的参数;计算种群中每个个体的适应值;最后对满足条件的适应值进行变异、交叉、选择操作。利用DE算法的全局搜索优化能力;有效抑制了局部极值的产生和图像的背景噪声、纹理细节对图像分割效果的影响。还克服了对初值选择敏感的问题;保证图像分割边界的完整性;是一个比较高效的方法;有效地提升了分割效果。DE算法本身具有简单;快速;鲁棒性好等优点;利用这些优点可以有效地克服FCM算法的缺点。     

一种基于模糊聚类的图象分割方法

模糊Ｃ－均值（ＦＣＭ）算法用于图象分割，是一种非监督模糊聚类后标定的过程，但是，ＦＣＭ算法存在着一些不足，进而限制了它在某些方面的应用，本文提出了一种基于模糊聚类的图象分割方法，较好解决了ＦＣＭ算法所遇到的问题，且本文从数学上和实验上证明了这种方法的有效性。     

一种新的聚类有效性函数

聚类有效性函数是用于评价聚类结果优劣的指标,准确地给出初始聚类类别数将使得聚类结果趋于合理化。根据模糊不确定性理论及聚类问题的基本特性,引入了新的紧密度度量指标D_i（U;c）,在此基础上提出了一个旨在寻求最优聚类类别数的有效性函数。该函数基于数据集的紧密度与分离度特征,综合考虑了数据成员的隶属度及数据集的几何结构。实验结果表明该有效性函数能够发现最优的聚类类别数,对于分类结构较为明确的数据集表现出良好的性能,并且对于权重系数具有良好的鲁棒性。     

特征逐减的可能性模糊聚类算法

模糊C均值聚类(FCM)和可能性模糊C均值聚类(PFCM)没有考虑样本特征项及每个样本对聚类的贡献程度,存在对噪声较敏感的问题。特征减少的模糊聚类算法FRFCM可剔除数据集中无效特征量,且考虑了剩余特征量的权重,具有更好的聚类性能。对此,在可能性模糊C均值聚类算法(PFCM)的基础上将其与FRFCM算法相结合,提出新的特征逐减的可能性模糊C均值聚类算法(FRPFCM)。该算法解决了PFCM算法参数依赖的问题,且在迭代过程中可自动淘汰无效特征项并更新各特征项对聚类的贡献程度。对人工数据集以及UCI数据集进行测试的结果表明,提出的FRPFCM算法可得到更高的聚类准确率,所需迭代次数更少,算法收敛速度更快。     

改进模糊划分聚类的协同过滤推荐算法

针对传统协同过滤(CF)推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷,提出一种改进模糊划分聚类的协同过滤推荐算法(GIFP-CCF+)。在传统基于修正余弦相似度计算方法上,引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果;同时引入改进模糊划分的GIFP-FCM算法,将属性特征相似的项目聚成一类,构造索引矩阵,同索引间根据项目间的相似度寻找项目最近邻居构成推荐,从而提高协同过滤算法(CF)的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验,证明了GIFP-CCF+算法在推荐结果和推荐精度上具有一定的优越性。     

基于FCM和遗传算法的图像模糊聚类分析

聚类分析在模式识别和图像处理领域中有着极为重要的意义和广泛的应用前景。常用的聚类分析的方法是模糊C均值算法（FCM）,但是FCM算法容易陷入局部最优解。提出一种基于FCM和遗传算法对图像进行模糊聚类分析的方法。对输入图像进行纹理特征提取,通过主成分分析法对提取的特征向量进行降维处理,降低图像聚类分析算法的复杂度,提高结果的精确度,结合FCM和遗传算法对图像数据进行模糊聚类分析。实验结果表明该方法可以得到较好的分类效果。     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

模糊C均值聚类在入侵检测中的应用研究综述

随着网络技术的发展和网络规模的扩大,针对计算机网络攻击的方式也日趋多样,那么入侵检测就成为了网络安全研究的热点。为此分析研究了模糊C均值聚类算法在入侵检测中的应用,在此基础上从初始聚类中心、初始化隶属度矩阵、加权指数m和与其他方法相结合四个方面对其在入侵检测中的应用做了进一步的研究,并且讨论了这些算法存在的问题,同时指出了模糊C均值聚类在入侵检测中的研究方向。     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。     

模糊C均值聚类在入侵检测中的应用研究综述

随着网络技术的发展和网络规模的扩大,针对计算机网络攻击的方式也日趋多样,那么入侵检测就成为了网络安全研究的热点。为此分析研究了模糊C均值聚类算法在入侵检测中的应用,在此基础上从初始聚类中心、初始化隶属度矩阵、加权指数m和与其他方法相结合四个方面对其在入侵检测中的应用做了进一步的研究,并且讨论了这些算法存在的问题,同时指出了模糊C均值聚类在入侵检测中的研究方向。     

基于邻域的模糊C 均值图像分割算法*

给出了一种改进的模糊C-均值图像分割算法。该算法充分考虑了图像的空间信息,在图像存在噪声的情况下能产生区域一致的分割结果,并可以减少图像噪声。另外,通过引入聚类数目自动获取与聚类中心初始化的算法,一定程度上减少了算法的迭代次数。