一种基于动态模糊集的概念学习模型

概念学习作为一种重要的数据分析方法,被广泛应用于模式识别、知识发现等领域。本文针对海量数据中的动态模糊数据,从DFL的角度出发,对动态模糊概念学习问题进行了深入的研究,提出了动态模糊概念的形式化表示方法、动态模糊概念格的构建方法。给出一个实验用例,验证相关算法的有效性。     

基于模糊集截集的模糊粗糙集模型

基于L.A.Zadeh模糊集的截集的概念给出了论域U上任意模糊子集的上、下近似的刻画,得到了基于模糊集的截集的粗糙集模型,亦即模糊粗糙集,实现了用论域U中的模糊集近似论域上的任意模糊集,进一步推广了Z.Pawlak粗糙集模型,扩展了粗糙集的应用范围。最后,研究了其基本性质以及其与其他粗糙集模型的关系。     

一种新的聚类有效性函数:模糊划分的模糊熵

模糊聚类分析结果是否合理的问题属于模糊聚类有效性判定课题,其核心是模糊聚类有效性函数的构造。文中基于序关系定义了模糊划分模糊熵来描述模糊划分的模糊程度。考虑到现有的一类有效的模糊聚类有效性函数就是基于数据集的模糊划分的,因此文中也用模糊划分的模糊熵作为聚类有效性函数。实验表明,模糊划分的模糊熵作为模糊聚类的有效性函数是合理的、可行的。     

动态粗糙模糊集及其在模糊规则提取中的应用

基于粗糙模糊集的规则提取方法通常分为两步:首先利用粗糙模糊集进行属性约简,然后采用提取模糊规则的方法提取规则.在规则提取的预处理阶段通过属性约简某种程度上可以缩短规则提取的时间,但其固有的不足导致不利于产生良好的规则.在模糊规则产生过程中避开属性约简,可以提高规则提取方法的适用性,降低计算复杂度.本文提出了动态粗糙模糊集的概念,基于此的规则提取算法不再依赖于属性约简,而是基于粒度序和逐步缩小的论域.首先,通过两种不同方式定义了动态粗糙模糊集并得到一些重要性质;在此基础上提出一种新的模糊规则提取算法;最后通过对比实验说明了算法的有效性.     

动态模糊数据模型研究

动态模糊数据在我们的研究对象中普遍存在 ,基于此 ,文中给出了动态模糊数据模型 .该模型的建立 ,为人们用计算机处理这类数据推动了理论依据 .     

模糊聚类分析程序

模糊聚类分析是从模糊关系矩阵出发，而关系矩阵是根据主观评定的隶属函数构成的。本程序要解决的问题是对实际中收集到的数据进行预处理，以便构造模糊关系矩阵，然后使用“最大树”方法对矩阵进行分析，按人为输入不同的截集值，对模糊集合进行分类，最后输出分类结果。模糊聚类分析在实际中应用很广泛，目前已在选矿、气象、地震、林业、环境科学等方面取得成效。三计算原理设有N个分类对象，K个参考因素，构成如下矩阵：1．计算每个参考因素的平均值2．计算标准差3．计算标准化值4计算标准值上述得到的值不一定在[0，1]闭区间内，为此…     

基于模糊聚类分析的车道变换阶段划分

车道变换过程的精确划分对车辆智能控制研究具有重要影响,细化车道变换的各个阶段能够为换道决策提供可靠理论支撑.针对车道变换的不同阶段以及车辆各个特征参数变化规律存在的差异性,基于实车试验,提出利用模糊聚类分析对车道变换过程进行划分.在分析各个换道指标的基础上,确定方向盘转角和车辆横摆角速度作为换道表征指标,考虑到方向盘转角和车辆横摆角速度的在性态和类属方面存在着中介性,具有亦此亦彼的特性,因此,选用聚类分析中的软划分对实车换道过程进行在线划分.该分类方法表现出良好的可分性.     

动态模糊决策树学习算法研究

针对自动控制领域中普遍存在的动态模糊信息,提出了基于DFS（动态模糊集）建模的动态模糊决策树算法，并给出了对包含非动态模糊属性、缺少属性值的输入．样例的匹配算法，很好地解决了模糊控制系统所不能解决的动态性问题。     

动态模糊决策树学习算法研究

针对自动控制领域中普遍存在的动态模糊信息,提出了基于DFS(动态模糊集)建模的动态模糊决策树算法,并给出了对包含非动态模糊属性、缺少属性值的输入样例的匹配算法,很好地解决了模糊控制系统所不能解决的动态性问题。     

一种基于三角模糊数多指标信息的FCM 聚类算法

针对一类具有不确定性三角模糊数多指标信息的聚类分析问题，基于传统的数值信息FCM聚类算法，提出一种新的聚类分析算法．首先描述了具有三角模糊数多指标信息的聚类分析问题，提出并证明了基于三角模糊数多指标信息的关于最优划分和最优聚类中心确定的两个定理；然后根据这两个定理，进一步给出了基于三角模糊数信息的FCM聚类算法的迭代步骤；最后通过一个算例说明了该聚类算法的具体应用．     

一种基于模糊规则的分类方法

本文提出了一种基于模糊规则的分类方法。首先介绍了一种新的模糊规则提取方法,然后基于所提取的模糊规则给出了一个采用二级判决的分类算法,并利用IRIS数据对此分类算法进行了仿真测试。结果表明,该算法在训练样本较少的情况下,仍能得到很好的分类效果.     

基于主动学习的动态模糊聚类算法

聚类问题是近几年来机器学习和数据挖掘领域研究的热点问题,由于获取大量监督信息费时费力,目前国内外研究的重点是如何获得少量但对聚类性能提高显著的监督信息,再加上实际问题中存在的动态模糊性,故本文提出一种结合主动学习的动态模糊聚类算法DF-DBSCAN,通过引入动态模糊等价关系、动态模糊信任测度和动态模糊似然测度这3个约束信息来指导DBSCAN的聚类过程,以提高聚类的性能。实验结果表明,DF-DBSCAN算法不仅解决了实际问题中存在的动态模糊性数据的描述和表示问题,而且能够高效地进行数据聚类,显著地提高聚类性能。      

基于粗糙集和模糊聚类的用户评价分析

本文基于粗糙集理论和模糊聚类的方法对图书馆的用户评价数据进行了分析,旨在寻找用户评价指标之间的关联规则,确定用户评价的关键性指标。     

一种使用启发式搜索优化的模糊规则分类方法

文章提出了一种基于模糊规则的分类方法。该方法首先介绍了基于模糊C均值聚类的模糊规则提取,然后利用所建立的模糊规则库设计了一种分类算法,并且利用启发式搜索来精简分类规则。使用IRIS数据对该文的方法进行了性能测试,结果表明该方法在训练样本较少的情况下,能得到很好的分类效果,并且通过规则精简,所使用的规则数目大大下降,而分类性能更加优良。     

一种基于密度函数的直觉模糊聚类初始化方法

针对基于目标函数的直觉模糊聚类方法容易陷于局部最优值的问题,提出了一种改进的密度函数初始化方法.该方法首先利用样本密度函数在较高局部密度的区域中选取c个样本,然后遍历剩余样本进行粗归类,并计算每类各维数据的平均值作为初始聚类中心.最后通过典型实例验证,该方法不仅解决了容易陷入局部极小值的问题,同时迭代次数减少,收敛速度加快,提高了聚类性能.     

基于模糊聚类的半自动跟踪技术研究

现有半自动跟踪系统将操作员等效为准线性环节,增大了训练的难度和成本,不适应复杂战场环境下多个快速机动目标的选取和跟踪.利用特征提取方法得到视场的“潜在目标”集,引入模糊聚类方法,通过对操作响应进行分类,建立操控意图与目标运动特征之间的关系模型.通过充分的仿真试验,对比研究了跟踪平稳性、快速性、准确性等指标,结果说明该方法能够有效提升整体跟踪性能.     

一种数据集数据残缺的模糊聚类模型

从加权广义欧氏权距离平方和最小概念出发,在循环迭代模糊聚类算法的基础上提出一种数据集指标值残缺的模糊聚类模型,示例分析了不同数据集在不同残缺程度下的聚类效果,拓展了模糊聚类算法应用领域。     

基于直觉模糊集理论的IDS方法研究

入侵检测是网络系统安全维护过程中的有效方法之一,主要指通过对网络系统中的各种数据进行收集、分析,进而发现其中存在的可能对系统安全构成威胁的入侵攻击行为,并迅速作出响应的过程。但由于网络空间中的攻击形式多样,具有许多未知和不确定性,因此如何对其中的不确定性进行描述并采取相应的措施成为了构建入侵检测模型的重要一环。直觉模糊理论就是一种针对系统中存在的不确定性问题进行研究的理论。因此,通过对基于直觉模糊集理论的入侵检测方法进行深入研究发现,其 对于处理入侵检测系统中大量不确定性问题具有重要的作用和意义。文中对现有文献中3种典型的基于直觉模糊集理论的入侵检测方法进行了相对全面的分析介绍,并进行了适当的对比总结,指出了目前各种方法仍存在的不足 和未来的研究方向,这对其进一步的发展具有一定的参考价值。     

基于分治法的高维大数据集模糊聚类算法

将高维的大数据集随机分成若干个子集,对每个子集聚类采用一种基于遗传算法的高维数据模糊聚类方法。该方法引入了一个模糊非相似矩阵来表示高维样本之间的非相似程度,并将高维样本随机初始化到二维平面,利用遗传算法迭代优化二维样本的坐标值,实现二维样本之间的欧氏距离向样本间的模糊非相似度的趋近。将得到的最优的二维样本用模糊C-均值聚类(FCM)算法聚类,克服了聚类有效性对高维样本空间分布的依赖。实验仿真表明,该算法有较好的聚类效果,且极大地提高了聚类的速度。     

一种基于属性的模糊聚类算法及其应用研究

运用模糊集理论,对基于属性的模糊聚类从概念、原理、算法等方面做了深入的论述,最后给出了一个应用实例,实践证明该算法是有效的。