基于遗传模糊C-均值聚类算法的图像分割

将遗传算法（GA）与模糊C－均值聚类算法（FCM算法）相结合，并运用于图像分割，以期解决标准FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码，然后依据FCM算法的目标函数建立适应度函数，在适当的交叉率和变异率下，最终实现了基于遗传模糊C－均值算法的图像分割。考虑在一维图像分割特征向量情况下，通过引入直方图统计特性，实现了遗传模糊C－均值算法的快速运算，最后，运用真实的磨粒图像对算法进行了详细验证，并与标准FCM算法进行了对比，分割实验表明了本方法比标准FCM算法具有更快的计算速度和更好的鲁棒性。     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

织物性能的遗传模糊C均值聚类算法

为了解决传统模糊C均值算法(FCM)依赖初值、易于陷入局部极值的问题,设计实现了一种遗传模糊C均值聚类算法(GFCM),该算法以模糊聚类中心矩阵为优化变量,将FCM算子引入遗传算法中以增强遗传算法的寻优能力,对聚类中心施加进化扰动以寻找最优聚类;描述了FCM和GFCM的基本流程,通过一个织物性能聚类评价例子对比了两种方法的性能,证明了GFCM的优越性.     

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.     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

基于模糊c均值算法文档聚类问题的研究

应用模糊C均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.     

基于后置近邻函数准则的改进型模糊聚类算法

针对不规则形状分布的数据，提出了一种新型模糊聚类算法．该方法结合了近邻函数准则分类算法，对模糊C均值聚类算法进行了拓展．仿真实验表明对球形分布的数据和非球形分布的数据，这种新算法的聚类性能优于模糊均值聚类算法。     

一种基于模糊聚类的快速图像分割算法

提出一种基于二维直方图加权的模糊c均值图像快速分割算法.通过将原图像和它的平滑图像相结合,构造一个二元组的“广义图像”,广义图像的直方图就是原图像的二维直方图.然后对此二维直方图进行塔形分解得到金字塔的上一层——顶层,相应地称原二维直方图为底层.最后,利用加权模糊c均值聚类算法分别对顶层和底层进行模糊聚类,从而实现对原图像的分割.实验结果与性能分析表明,该算法具有较高的分割速度和良好的抑制噪声的能力.     

基于模糊聚类和灰色关联分析结合的负荷预测

训练样本的合理选择是影响神经网络负荷预测精度的重要因素。为了选择出适量而且典型的样本,采用模糊聚类将历史负荷数据分为若干类,再利用灰色关联分析法确定各类与预测时刻负荷模式的相关度,选择关联度最大的一类,通过L-M算法对24个整点时刻分别建立BP网络预测模型,并与常用方法选择的样本训练网络得到的结果进行了对比,测试结果证明了本文所提方法的有效性。     

基于改进遗传算法的模糊C均值聚类算法

针对传统模糊C均值聚类算法（FCM）的缺陷,提出了一种基于改进遗传算法的模糊聚类方法．利用改进遗传算法强大的全局寻优能力,这种算法较好地克服了FCM算法对初始化敏感、容易陷入局部最优的缺陷．仿真实验证明,该算法具有较强的全局寻优能力和较快的收敛速度．     

小波包变换的图像融合技术的研究

图像融合技术是把同一目标的多幅图像融合成一幅高质量的图像.给出了一种基于小波包变换的图像融合方法.对两幅图像分别进行小波包分解,得到两幅图像的小波包分解系数,进一步对小波包系数进行分析和处理.对两幅图像低频波段的逼近系数取均值,对高频段选取绝对值大的小波包系数,得到融合系数矩阵.对融合数据进行小波包反变换,得到两幅图像的融合图像.使用该方法对两幅图像进行了融合,得到的融合图像汲取了两幅图像的优势,视觉效果较好.     

基于模糊聚类分析的车辆优化调度

应用模糊聚类分析对物流配送需求点进行分类,建立了车辆调度问题的数学模型,将标准遗传算法与爬山算法集成,构造了一种改进的混合遗传算法。试算结果表明,对需求点分类后,应用遗传算法可有效解决联合物流模式的车辆调度问题。     

Using genetic algorithm based fuzzy adaptive resonance theory for clustering analysis

In the clustering applications field, fuzzy adaptive resonance theory system has been widely applied. But, three parameters of fuzzy adaptive resonance theory need to be adjusted manually for obtaining better clustering. It needs much time to test and does not assure a best result. Genetic algorithm is an optimal mathematical search technique based on the principles of natural selection and genetic recombination. So, to make the fuzzy adaptive resonance theory parameters choosing process automation, an approach incorporating genetic algorithm and fuzzy adaptive resonance theory neural network has been applied. Then, the best clustering result can be obtained.Through experiment, it can be proved that the most appropriate parameters of fuzzy adaptive resonance theory can be gained effectively by this approach.     

基于模糊聚类和粗糙集的电力系统短期负荷预测

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,而粗糙集理论能有效地分析和处理各种不精确、不一致、不完整的信息,并从中发现隐含的知识,揭示潜在的规律。将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测。首先通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,然后应用粗糙集理论分别建立相应的负荷预测模型。采用某电网提供的数据进行负荷预测,结果分析表明该方法有很高的预测精度,从而说明了基于模糊聚类和粗糙集理论的电力系统短期负荷预测方法的优越性。     

基于小波变换的BP神经网络参考作物腾发量预测模型

受气温、日照、风速、水汽压等因子随机变化的影响,参考作物腾发量时序过程具有非线性、多时间尺度变化等特性.为研究参考作物腾发量在时间尺度上的分布规律,提出了一种基于小波变换与人工神经网络相结合的参考作物腾发量预测模型.该模型吸取了小波分析的多分辨分析功能和人工神经网络的非线性逼近能力,具有较高的预测精度.以韶山灌区参考作物腾发量时间序列为样本,论述了上述模型的优越性.     

Research on seasonal correlation of wavelet packet energy spectrum and temperature of Runyang Suspension Bridge

In order to establish an environmental-condition-normalized structural damage alarming method, the seasonal correlation analysis of wavelet packet energy spectrum (WPES) and temperature of Runyang Suspension Bridge is performed by means of the 236-day health monitoring data. The analysis results reveal that the measured WPES has remarkable seasonal correlation with the environmental temperature. The seasonal change of environmental temperature accounts for the variation of the damage alarming parameter I _p of the dominant frequency bands with an averaged variance of 200%. The statistical modeling technique using a 6th-order polynomial is adopted to formulate the correlation between the WPES and temperature, on the basis of which the abnormal changes of measured damage alarming parameter I _p are detected using the mean value control chart. It is found that the proposed method can effectively eliminate temperature complications from the time series of WPES and exhibit good capability for detecting the damage-induced 10% variances of the damage alarming parameter I _p . And the proposed WPES-based method is superior the modal frequency and hence is more suitable for online real-time damage alarming for long-span bridges. Supported by the National Natural Science Foundation of China (Grant Nos. 50725828, 50808041) and the Natural Science Foundation of Jiangsu Province (Grant No. BK2008312)     

Features of energy distribution for blast vibration signals based on wavelet packet decomposition

Blast vibration analysis constitutes the foundation for studying the control of blasting vibration damage and provides the precondition of controlling blasting vibration. Based on the characteristics of short-time non-stationary random signal, the laws of energy distribution are investigated for blasting vibration signals in different blasting conditions by means of the wavelet packet analysis technique. The characteristics of wavelet transform and wavelet packet analysis are introduced. Then, blasting vibration signals of different blasting conditions are analysed by the wavelet packet analysis technique using MATLAB; energy distribution for different frequency bands is obtained. It is concluded that the energy distribution of blasting vibration signals varies with maximum decking charge, millisecond delay time and distances between explosion and the measuring point. The results show that the wavelet packet analysis method is an effective means for studying blasting seismic effect in its entirety, especially for constituting velocity-frequency criteria. Foundation item: Project(50490272) supported by the National Natural Science Foundation of China; project(2004036430) supported by the Postdoctoral Science Foundation of China