基于模糊聚类和卡尔曼滤波方法的模糊辨识*

本文提出一种通用的基于模糊聚类和卡尔曼滤波方法的模糊辨识方法。模糊聚类方法在给定的广义目标下按线性簇对被辨识的样本数据进行聚类，这样使得被辨识模型可用基干局部线性模型表示，然后，利用卡尔曼滤波方法拟合这些线性模型。本文给出了详细的模糊辨识算法。为了验证该辨识方法的有效性，本文最后给出了熟知的Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

基于模糊逻辑的K-means算法研究

K-means算法的基本思想是通过迭代方法把所有的元素都唯一聚类到不同的簇中,使得同一簇中的质点具有最小相异度,不同簇间的元素具有最大相异度。但是,这种聚类方法使得那些属于不同簇的交叉区域中的质点也被简单地聚类到了某个簇中,因此无法表达某些元素的跨簇特性。本文提出了基于模糊逻辑的K-means算法,利用模糊逻辑来计算不同簇交叉区域中质点属于某个簇的权重,在获得聚类结果的同时可以有效描述质点的跨簇特性。实验结果表明该算法是有效的。     

基于直觉模糊熵的群组聚类决策方法

针对直觉模糊群决策问题,依据专家的直觉模糊评价信息,利用直觉模糊相似度和相异度构造直觉模糊相似矩阵,为了得到合理的专家聚类结果,设计风险参数并提出聚类阈值变化率分析方法,综合聚类结果和直觉模糊熵对各专家进行组合赋权。提出基于离散正态分布的位置权重确定方法,构造直觉模糊集混合加权集结算子对各专家关于方案集的直觉模糊评价信息进行综合集成。结合算例验证了方法的可行性和有效性。     

基于模糊简单多数票法则的模糊分类组合模型

首次将传统的简单多数票法则推广为模糊简单多数票法则.应用最近邻居法则与匈牙利算法,提出一种类的匹配算法,并应用此算法建立不同模糊聚类的类与类间的对应关系;再应用模糊简单多数票法则将匹配后的多个模糊聚类组合成一个组合模糊聚类,由此建立一个新的模糊聚类组合模型.实验结果表明,该组合模型产生的组合模糊聚类不仅优于参与组合的单个模糊聚类,而且优于Evgenia等人提出的组合模糊聚类.     

一种模糊聚类系统的设计与实现

介绍一种基于模糊逻辑的数据聚类技术,讨论了模糊C均值聚类方法。模糊C均值算法就是利用模糊逻辑理论和聚类思想,将n样本划分到c个类别中的一个,使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。     

按风格划分数据的模糊聚类算法

以K-means和模糊C均值为代表的划分式聚类算法无法有效处理按照风格为标准划分样本的聚类任务.针对此问题,文中提出按风格划分数据的模糊聚类算法.利用风格标准化矩阵表示包含在类簇中样本的风格信息,同时使用逼近标准风格之后的样本计算距离矩阵,并以隶属度表示样本点对于类簇的可代表程度.通过常用的交替优化策略同时优化隶属度矩阵和风格标准化矩阵.文中算法可以有效利用样本的风格信息和样本点与类簇之间的关系信息,在人工数据集和真实数据集上的实验表明算法的有效性.     

基于模糊优势关系的粗糙聚类定性组合算法

为对包含数值和名词属性的混合数据集进行定性组合聚类分析,提出一种基于模糊优势关系的粗糙聚类定性组合算法f-QRD。根据混合数据集的不同属性分别进行聚类并计算类簇之间的模糊优势关系,为避免组合后的类簇碎片过多,对模糊优势关系差值较小的类簇进行合并处理。实验结果表明,与QRD算法相比,f-QRD算法能够有效减少类簇数目并提高聚类准确率。     

基于相对密度的数据流模糊聚类算法

提出的基于相对密度的数据流模糊聚类算法结合了相对密度聚类和模糊聚类的优点,能形成任意形状、多密度分辨率的层次聚类结果.同时,利用微簇空间位置重叠关系,定义了微簇集合间的差运算,从而有效地支持了用户指定时间窗口内的数据流聚类要求.通过与CluStream算法在聚类质量和处理时间两个方面的比较分析,发现基于相对密度的数据流模糊聚类算法具有明显的优势.     

基于人工智能算法的能量高效分簇路由协议

提出一种基于人工智能算法的能量高效分簇路由协议,应对无线传感器网络节点中能耗不均衡的问题。在成簇阶段,利用萤火虫优化算法优化模糊C均值聚类,借助改进的模糊C均值聚类算法解决网络分簇问题;根据节点剩余能量和地理位置动态更新簇首。簇间通信阶段,采用蚁群优化算法建立高效的簇间路由,为簇首节点构建最优多跳传输路径。簇内通信阶段引入轮询控制机制,使网络能量效率进一步得到提高。仿真结果表明,所提协议在能量效率和生存周期方面有一定提升。     

模糊需求车辆路径问题的模型与算法①

建立了具有模糊特征的模糊车辆路径问题的数学模型,提出了求解该模型的一种基于模糊模拟的新禁忌搜索算法。这种模型与算法,将传统确定性车辆路径问题扩展为具有模糊特征的模糊车辆路径问题。通过先聚类后排序的方法,将问题分解成一个指派问题和一个TSP问题。在聚类过程中,既考虑到了车辆容量和决策者的偏好,又充分利用了已知的需求信息。实验表明,这种模型与算法是解决物流配送中模糊需求车辆路径问题的一个较好方案。     

基于模糊测度和证据理论的模糊聚类集成方法

针对现有集成方法在处理模糊聚类时存在的不足,提出一种基于证据理论的模糊聚类集成方法.以各聚类成员作为证据元,以样本点间的类别关系作为焦元,通过证据积累构造互相关矩阵.考虑到模糊聚类对于各样本点的聚类有效性,提出一种结合点模糊度和模糊贴近度的类别关系表示方法,并以此作为各证据元的基本概率赋值函数.最后基于互相关矩阵构造样本点间相似性关系,并利用谱聚类算法对其聚类. 实验中通过与多种已有聚类集成方法的对比表明,该方法具有较高的聚类性能.     

基于信息熵模糊聚类和粗糙集理论故障的模糊判据研究

复杂电子系统的缓变故障是故障预报的难点之一,针对这一问题提出了基于信息熵模糊聚类和粗糙集理论的故障决策判据方法;该方法主要分两个步骤:以信息熵作为聚类标准,采用谱系的方法确定聚类数目,然后通过FCM模糊聚类构造故障决策表;利用粗糙集理论对故障决策表进行简化和最小化,最终形成带评价的简约故障决策判据;该方法改进了一般模糊聚类算法的不足,克服了先验信息和知识不准确、不完整、不一致情况下故障决策表获取与更新的困难;实际算例表明,信息熵模糊聚类方法比一般模糊聚类方法的聚类质量更高,更客观真实。     

用模糊聚类和线性回归对数据库空值估计

由于客观世界的复杂性,信息缺失、不确定信息是普遍存在的,因此数据库也不可避免地存在信息缺失的问题,本文主要针对数据库中空值缺失问题进行研究和改进。该文采用模糊聚类算法,使用MATLAB编程求解模糊相似矩阵和模糊等价矩阵,对原始数据分簇。然后根据包含空值的元组的其它属性将其划归到最相似的簇中,最后再用线性回归法对空值进行估计。     

适用于智能电网WSN的能量有效分簇路由协议

为有效解决智能电网无线传感器网络节点能耗不均衡导致网络寿命短的问题，提出一种基于改进灰狼优化器优化模糊C均值聚类的分簇路由协议GWFCA。用反向学习策略增强灰狼优化器的全局寻优能力，使用由反向学习灰狼优化器改进的模糊C均值聚类算法对网络节点均匀分簇，均衡网络负载。每个簇内，考虑节点的能量因素和位置因素动态选举簇首，提高簇首质量。稳定传输阶段，构造基于蚁群算法的簇间路由，提高能量效率，并将轮询调度引入簇内通信，进一步改善网络吞吐量。仿真结果表明，该算法能够有效提高能量效率，平衡网络负载，延长网络生存期。     

基于混合蛙跳与阴影集优化的粗糙模糊聚类算法

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题, 提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM). 通过设置自适应调节因子, 以增加混合蛙跳算法的局部搜索能力; 利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数; 采用阴影集自适应获取类簇阈值. 实验结果表明, SFLA-SRFCM 算法是有效的, 并且具有更好的聚类精度和有效性指标.

     

车联网中beacon消息传输频率研究

车联网(VANETs)提供车与车之间的车间通信(V2V)和车与路旁设施(V2I)间的通信.VANETs中存在两类消息:beacon消息和安全消息.车辆周期地交互车辆的beacon消息,仅在紧急情况下才广播安全消息;而beacon消息的传输频率受多个因素影响.为此,提出基于模糊逻辑的自适应beacon传输频率方案,利用模...     

基于多尺度连接模型的脑MRI模糊分类

针对传统分割方法在分割数量上的限制,以及模糊聚类方法在层次优化上的不足,提出一种有效的基于多尺度连接模型的人脑磁共振图像模糊分类算法。对脑磁共振图像进行灰度不均匀性校正后,该方法通过非线性扩散连接模型引入尺度间的模糊约束,定义2个模糊距离,并应用到模糊聚类算法中,组合尺度间和尺度内的模糊约束,给出一个多分辨模糊聚类框架。实验结果表明了该算法的准确性和有效性。     

一种新的模糊聚类有效性指标

结合模糊聚类的类内紧致性和类间分离性信息,提出一种新的模糊聚类有效性指标。该指标能够确定由模糊C-均值算法（FCM）所得模糊划分的最优划分和最佳聚类数。在1个人造数据集和4个真实数据集上进行对比实验,结果表明该指标性能的优越性。     

信息过滤的模糊聚类模型

针对Internet信息过滤问题,运用模糊聚类方法建立了一个用于信息过滤的聚类模型。该模型不仅考虑了文档间的语义联系,而且,又对文档集进行了进一步的分类,增强了类内的耦和性,减少了类间的关联性。最后,给出了一个模糊聚类算法。     

基于模糊质心的混合属性数据模糊加权聚类算法

在模糊聚类算法中,模糊系数被用来控制簇可能重叠的程度,其负面影响是所有的数据对象会影响所有的簇。为解决该问题,Klawonn和Hppner使用模糊函数替换模糊系数(KH算法),但该方法是针对数值属性数据而设计的。然而,在许多真实的应用中,数据对象通常同时由数值属性和分类属性描述。面向混合属性数据,文中提出了一种新的基于模糊质心的模糊加权聚类算法。首先结合模糊质心和均值来表示混合属性条件下的簇中心,然后使用能够评估不同属性在聚类过程中作用的度量来评估数据对象和簇中心之间的相异度,最后给出算法框架。在3个混合属性数据集上对新算法进行了一系列的测试,实验结果表明新算法的性能优于传统算法。