基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

核空间广义均衡模糊C-均值聚类算法

目的 针对现有广义均衡模糊C-均值聚类不收敛问题,提出一种改进广义均衡模糊聚类新算法,并将其推广至再生希尔伯特核空间以便提高该类算法的普适性。方法 在现有广义均衡模糊C-均值聚类目标函数的基础上,利用Schweizer T范数极限表达式的性质构造了新的广义均衡模糊C-均值聚类最优化目标函数,然后采用拉格朗日乘子法获取其迭代求解所对应的隶属度和聚类中心表达式,同时对其聚类中心迭代表达式进行修改并得到一类聚类性能显著改善的修正聚类算法;最后利用非线性函数将数据样本映射至高维特征空间获得核空间广义均衡模糊聚类算法。结果 对Iris标准文本数据聚类和灰度图像分割测试表明,提出的改进广义均衡模模糊聚类新算法及其修正算法具有良好的分类性能,核空间广义均衡模糊聚类算法对比现有融入类间距离的改进模糊C-均值聚类(FCS)算法和改进再生核空间的模糊局部C-均值聚类(KFLICM)算法能将图像分割的误分率降低10%30%。结论 本文算法克服了现有广义均衡模糊C-均值聚类算法的缺陷,同时改善了聚类性能,适合复杂数据聚类分析的需要。     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法,该方法先采用C均值聚类算法对含噪图像进行初步分割,再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点,可以灵活地用在基于多特征和多阂值的图像分割中,另一方面充分考虑了图像的区域信息,利用模糊熵最小作为准则,对c均值聚类算法初步分割结果的错分类点作了进一步的处理,克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C-均值聚类算法多4～6S,对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

新型区间数据模糊C-均值聚类算法

在传统模糊C-均值聚类算法的基础上,提出了一种新型区间值数据模糊聚类算法。运用区间分割策略改进了区间距离的计算公式,成功解决了区间距离计算方法存在的缺陷。提出了区间值数据模糊聚类的数学模型,并拓广模糊C-均值算法对区间值数据进行聚类。仿真验证了所提出算法的有效性。     

基于粒子群优化的模糊C一均值聚类算法研究

针对用模糊C-均值聚类算法选择初始聚类中心敏感及模糊加权指数m对模糊C-均值聚类算法的聚类性能影响较大等问题,利用粒子群优化算法的全局寻优能力强及收敛速度较快的特点,结合模糊C-均值算法提出一种新的模糊聚类算法;采用了一种简单有效的粒子编码方法,将初始聚类中心和模糊加权指数m同时进行粒子群优化搜索,在得到最优适应度的同时,m也收敛到一个稳定的最优解,从而有效地解决了上述问题。算法在人工合成数据集和多个UCI数据集上都取得了较好的效果。     

基于连续域混合蚁群优化的核模糊C-均值聚类算法研究

为进一步提高核模糊C-均值聚类算法的聚类性能,提出基于连续域混合蚁群优化的核模糊C-均值聚类算法(KFCM-HACO),使用HACO对KFCM算法的内核函数参数值和聚类中心进行优化,克服传统算法弊端,使核模糊C-均值聚类算法的目标函数最小化,加快算法的收敛速度.该优化算法在UCI数据集上的仿真实验及结果比较表明,KFCM-HACO算法的聚类性能优于传统的聚类算法,提高了聚类的准确性.     

基于多链量子蜂群算法的模糊聚类图像分割

针对传统模糊C-均值聚类算法对初始值和噪声敏感的缺点,提出了一种基于多链量子蜂群算法的模糊C-均值聚类算法。首先,将多链拓展编码方案应用到量子蜂群算法中,提出了多链量子蜂群算法;其次,利用多链量子蜂群算法来优化模糊C-均值聚类的初始聚类中心;最后,设计一种新的利用多链量子蜂群算法优化模糊C-均值聚类中心的图像分割算法。实验结果表明,所提出的基于多链量子蜂群算法的模糊C-均值聚类图像分割算法是有效的,相对于传统模糊C-均值聚类算法及基于模糊的人工蜂群算法,所提算法在分割正确率、分割速度及鲁棒性上均更有效。     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

模糊聚类算法应用研究

本文介绍了模糊C-均值聚类算法、遗传模糊C-均值聚类算法以及免疫进化模糊聚类算法的原理和应用,然后对其优缺点进行了分析比较．并给出了各自的适用领域。最后,总结了模糊聚类算法中存在的一些问题和发展前景。     

TGFCM:基于模糊聚类的中文文本挖掘的新方法

提出一种新的动态模糊聚类的方法，针对传统的模糊聚类需要预先确定聚类数的问题，提出采用动态自组织映射神经网络来确定聚类数，并通过文本向量空间模型和TF-IDF方法来确定文本的特征向量，再将动态自组织映射神经网络得到的聚类数，用模糊C均值算法（FCM）函数处理，得到聚类的结果。该算法同仅用动态自组织映射神经网络算法的运行结果相比，具有运行聚类结果精度高的优点，模糊聚类更适合处理语义的多样性和文本归属的模糊性，实验验证了算法的有效性。     

一种基于模糊RBF神经网络的Smith预估器

为克服带钢热连轧层流冷却系统中大滞后环节产生的不利影响,提高控制精度,提出了将模糊RBF神经网络与Smith预估器相结合的方法。采用基于改进型模糊C-均值聚类算法的RBF神经网络建立预测模型。获得了较高的精度和较快的学习速度。改进后的模糊C-均值聚类算法具有更好的鲁棒性,且放松了隶属度条件,使得最终聚类结果对预先确定的聚类数目不敏感。将该控制器应用到卷取温度控制中,能把卷取温度控制在598～705℃的范围内,满足了实际生产的需要。     

使用模糊竞争Hopfield网络进行图像分割

针对传统自组织竞争学习方法的不足,将模糊竞争学习引入竞争Hopfield网络中,由此设计了一个用于图像分割的模糊竞争Hopfield网络,通过将图像空间映射到灰度特征空间,实现灰度特征集的模糊聚类,进而实现图像分割.实验结果表明:对于二值分割,与Ostu方法相比,此算法在分割效果和对噪声的自适应能力方面具有明显的优点.对于多类分割,此算法比目前的FCM(fuzzy C mean)算法的处理速度要快.     

基于模糊神经网络的WSN无线数据收发单元故障诊断

在一些无线传感器网络(Wireless Sensor Network,WSN)安全监测系统中,节点长时间传输大量数据,导致无线数据收发单元容易出现功率下降和功率放大器(Power Amplifier,PA)被烧毁的现象,而此类故障的诊断方法一般比较复杂且低效。针对上述问题,在分析WSN单元级故障诊断的基础上,利用无线数据收发单元的电流模型,提出了一种基于模糊神经网络的无线数据收发单元故障诊断方法。首先,根据无线数据收发单元中发射消耗的电流与温度和供电电压的关系,建立电流模型;然后,利用聚类算法确定模糊神经网络模型结构,结合混合学习算法优化模糊规则的前件参数和后件参数;最后,提取训练完的模糊神经网络参数,以建立WSN节点故障诊断模型。实验结果表明,提出的无线数据收发单元故障诊断方法的计算量小,诊断准确度高;与高斯过程回归模型相比,其计算量降低了22.4%,诊断准确度提高了17.5%。     

基于SOM的模糊聚类在Web日志挖掘中的应用

将自组织映射神经网络（SOM）与FCM结合,利用SOM的并行计算能够减少模糊C均值算法在处理海量数据时的聚类时间,可以提高聚类算法的速度和效果,同时使用该算法对校园网Web日志进行数据挖掘,能够对用户行为进行分析,从而提出相应的方法,更好地提高服务效率和管理质量。     

基于FCM的神经网络建模及其在智能驾驶中应用研究

首先对模糊c-均值聚类算法进行了分析,然后把改进的FCM算法和RBF神经网络结 合起来建模,得到一种映射能力较强的自组织RBF神经网络.最后把它应用到智能驾驶中对驾 驶员的熟练程度和疲劳程度进行识别,得到了满意的结果.     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

基于增量学习的RBF神经网络的噪声源识别

本文提出了一种用于水下航行器噪声源识别的RBF模糊神经网络模型。该模型采用PCM聚类算法并具有增量学习能力,网络输出节点在线可调,保证了网络具有较高的泛化能力和一定的学习新故障模式的能力。仿真结果表明,该模型是有效的。     

几种不同的方法在GPS 大数据 探查中的应用分析

GPS 定位系统对车辆的运行调控以及拥堵性分析具有重要意义。但定时采样的GPS 数据难免存在坏点的情 况,而坏点的存在对分析结果容易产生较大错误,从而影响交通管理决策。本文通过高斯混合模型、K-均值聚类分析以及 SOM 自组织神经网络三种方法完成对原始数据时间段划分、字段提取以及坏值清理的操作。这三种方法主要用于对数据进 行聚类分析,根据分析结果识别孤立点从而进行清理。结果显示,高斯聚类与K-均值聚类算法的坏点识别精度小于SOM 自 组织神经网络,但前两种算法的运行效率较后者高。     

基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.