一种具有影响力因子的硬聚类算法

为解决传统聚类方法对不同规模类不能正确聚类的问题,探讨了带影响力因子的硬聚类方法。为每个类均赋予一个影响力因子,使样本的隶属关系不只受距离的影响,而且受类的规模的影响。通过对18个数据集的实验,证明该方法的可行性,并且观察了影响力因子的取值对收敛过程和算法产生结果的影响,提出了今后的工作重点。     

基于遗传算法的硬聚类算法改进

硬聚类算法HCM求解的结果通常都是局部的最优解,当模糊集合间的运算采用传统定义的时候,它的聚类结果中还会存在无意义的聚类集。本文通过研究表明,在HCM聚类算法中应用遗传算法,可以在一定程度上避免硬聚类算法收敛到局部最优解。因此,本文将遗传算法应用于硬聚类算法,并设计了相应的算法。但是,考虑到本算法实现时的开销 销和效率,又对该算法进行了改进,并最终提出一种新的算法--CHCM聚类算法。测试数据表明,采用改进后的聚类算法的结果90％以上能够取得全局的最优解,远远超过了采用硬聚类算法时所取得全局最优解的次数,证明了本算法的可推广性。     

一种对二维空间对象进行聚类的算法

地理信息系统存储了大量的二维空间对象,对这些对象进行聚类分析是数据挖掘的一项重要任务.本文提出一种针对二维空间对象的聚类算法.该算法引用层次聚类方法的思想,将子聚类信息用一个聚类特征表示.采用基于密度的方法,发现任意形状的簇,能较好地处理孤立点,并且支持增量式聚类.实验证明该算法是有效的.     

一种含影响力因子的自适应C均值算法

含影响力因子的硬聚类算法(HCMef)在对多于两类规模不均的样本进行聚类时,影响力因子指数对聚类结果影响很大,取值不当会引起类消失.影响力因子指数在0附近穷举,并利用影响力因子指数较大时类规模会在较少训练次数内消失的现象,降低计算量.提出了含影响力因子的自适应C均值聚类策略(AHCMef),并介绍了两阶段聚类方法,进一步提高聚类成功率和执行效率.结果显示,最佳影响力因子指数出现在成功聚类时的较大值附近,聚类效果从该点起随影响力因子指数的减小而降低.对HCMef算法应用于多类规模不均样本情况时,影响力因子指数的选取具有指导意义.     

满足二维空间邻接条件的遗传聚类算法研究

分析了目前满足二维空间邻接条件聚类算法的不足。从聚类概念出发,重新定义了满足二维空间邻接条件聚类的概念。面对满足二维空间邻接条件的聚类问题,定义了邻接矩阵的概念。以邻近距离和邻接矩阵为样本划分依据,以类内平方误差和（WGSS）为聚类目标函数,引入遗传算法,提出满足二维空间邻接条件的遗传聚类算法。通过实例进行了算法测试,并与模糊聚类（FCM）结果进行比较。     

数据挖掘中聚类算法研究

聚类分析是数据挖掘的核心技术之一。本文介绍了当前最具代表性的聚类算法,分析它们各方面的特性,总结了聚类方法发展的趋势,并对聚类算法的研究提出了展望,便于研究者对已有算法应用与改进。     

一种高维空间数据的子空间聚类算法

传统网格聚类方法由于没有考虑到相邻网格内的数据点对考查网格的影响,存在不能平滑聚类以及聚类边界判断不清的情况。为此提出了一种高维空间数据的子空间聚类算法,扩展了相邻聚类空间。实验结果显示,克服了传统聚类的不平滑现象,使聚类边界得以很好的处理。     

自适应AP聚类算法研究

偏向参数和阻尼因子是影响AP聚类算法聚类效果的两个重要参数,但他们均取固定值。随着数据量的改变,原有参数取值不能使算法聚类结果达到最优。鉴此,本文提出自适应AP聚类算法,当数据量发生改变时,自动调整并获取最优的偏向参数和阻尼因子,最终得到最优聚类结果。与原来算法相比,改进后的算法能自动消除震荡,还可获取最优聚类结果,提高聚类结果的准确性和算法快速性。通过人造数据集和Iris数据集实验,证明了自适应AP聚类算法的有效性。     

聚类算法研究

聚类分析在数据挖掘领域中是一个非常重要的研究课题,该文阐述了聚类算法的基本原理和性能要求,并依据算法思想的不同把聚类算法分为五类,详细介绍了每一类的算法思想、优缺点及典型算法,有利于用户对聚类算法的选择和研究者对聚类算法的改进研究,最后探讨了聚类算法今后的发展趋势。     

数据挖掘中聚类算法比较研究

聚类分析技术是数据挖据中的一种重要技术。本文介绍了数据挖掘对聚类的典型要求和聚类方法的分类，研究分析了聚类的主要算法．并从多个方面对这些算法的性能进行比较。     

基于HCM聚类的连续域模糊关联算法

针对粗糙集对于连续域属性决策表的处理能力差以及不容易获得模糊集之间关系等问题,提出一种基于连续型属性模糊关联规则约简算法。该算法引入三角隶属度函数将连续属性值转化为模糊值,并使用硬C均值聚类方法获得数据集之间关系,采用遗传算法优化该模型。仿真结果验证了该模型的有效性。     

HCM:一个虚拟企业协同工作描述模型

协同工作，作为支撑虚拟企业的关键技术之一，它在虚拟企业中的应用方面的研究尚处于初始阶段，目前还没有用于描述虚拟企业整体协作关系和协作方式的模型．提出的层次协同模型(HCM)在总结虚拟企业协同工作的三大特点——层次性、动态性及自组织性——的基础上，采用了一个四元组对虚拟企业的协同工作进行了整体描述，其中用有限状态马尔可夫链对模型进行了动态描述，该描述能对虚拟企业的动态协同趋势进行预测，为决策支持提供重要参考，最后提出了一种HCM逻辑层次的协同级的实现策略．     

基于贝叶斯推理的HCM延误模型修正

针对以1个周期时长为分析单位、使用HCM2000延误模型推导信号控制交叉口延误的问题,提出推导模型中参数修正的方法,用t检验验证参数提取的精度。对延误提取模型中的饱和度、启动损失时间及交叉口几何修正系数等参数进行分析,采用贝叶斯定理和马尔科夫链蒙特卡罗模拟方法对参数进行修正。结果证明该方法可以提高按照周期提取延误参数的精度。     

Multi-FNN identification based on HCM clustering and evolutionary fuzzy granulation

In this paper, we introduce a general category of multi-fuzzy-neural networks (FNNs), analyze their underlying architecture and propose a comprehensive identification framework. The proposed multi-FNNs dwells on a concept of linear fuzzy inference-based FNNs. The design of the model uses a standard HCM (Hard C-Means) clustering algorithm and carries out an evolutionary fuzzy granulation of experimental data. The performance of the model is quantified through a series of experimental studies involving synthetic and real-world data.     

基于空间局部偏离因子的离群点检测算法

针对空间数据集的特性,提出一种基于空间局部偏离因子(SLDF)的离群点检测算法。利用SLDF度量空间点对象的离群程度,计算空间数据集中点对象的SLDF值并对其进行排序,将取值较大的前M个点对象作为空间离群点。实验结果表明,该算法能较好地检测空间局部离群点,其有效性与准确性均优于SLZ算法,适用于高维大数据集的空间离群点检测。     

一类二维变学习因子自学习控制器

设计了一种新的学习控制律,通过沿学习轴递推辨识学习增益矩阵以改善控制效果,分别对连续系统及离散系统设计了学习控制律,给出了相应的收敛性证明结果,同时考虑了系统存在着噪声干扰及初始误差不为零时滓控制器的收敛性条件。仿真结果表明该控制算法能达到很高的控制精度。     

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.     

三维图形重建算法的仿真研究

研究实物数字化逼近真实性问题,在单幅二维工程图形重建三维图形时,传统上采用直接恢复深度信息方法进行低维到高维重建,是一个典型“病态”问题,三维图形重建准确度低.为了提高三维图形重建准确度,提出一种支持向量机的三维图形重建算法.首先对二维工程图形进行预处理,然后提取角点和结构特征作为支持向量机输入,通过支持向量机学习对二维工程图形进行识别;最后将识别结果与标准模型库进行匹配重建三维图形轮廓结构,并进行渲染得到三维图形.仿真结果表明,改进算法很好地解决了传统方法存在的“病态”难题,采用单幅图形可以重建得到逼近真实物体三维图形,是一种有效的、准确度高的三维图形重建算法.     

基于混合演化算法的二维下料问题

介绍了将二维下料问题建模成旅行商问题的方法,指出单纯旅行商问题模型的局限性,认为其是一种启发式方法,理论上找不到全局最优解。针对于此,在原有模型的基础上引入旋转变换,提出了两种混合演化算法捆绑式深化算法和元算法。实例仿表明,该算法可以获得比普通经算法好的结果。