模糊聚类分析在交通事故分析中的应用

在模糊集理论及模糊聚类分析方法的四个步骤基础上,深入研究了模糊聚类分析法步骤在交通事故分析中的应用。通过对1999年我国交通事故相关数据进行统计,运用模糊聚类分析方法中两种不同的方法得出相似关系矩阵,应用平方法计算传递闭包,最终作出模糊聚类分析,并对两种方法进行比较。通过对交通事故进行分类,对掌握交通安全情况有很大的帮助。     

自适应属性加权近邻传播聚类算法

针对多维数据属性对聚类分析结果有不同重要程度影响的问题,提出一种基于自适应属性加权的近邻传播聚类算法。该方法通过考虑多维数据属性权值的重要度,在近邻传播聚类过程中引入属性加权相似性矩阵计算,并根据当前数据聚类划分的结果来分析目标评价函数,计算各个属性对当前聚类的贡献程度。随后根据贡献程度的计算结果自适应地更新属性权值,并通过属性加权相似性矩阵来重新计算近邻传播算法中的两种竞争信息,进而提高聚类结果的质量。数值实验结果表明,新方法能够有效实现属性权值的自适应调整,提高近邻传播算法的聚类效果,与其他传统聚类算法相比新方法具有更好的聚类质量。     

基于灰关联分析的模糊聚类最优划分判定模型

在模糊聚类的模糊模式中，由于只已知样本中的部分样本，以及聚类中心选择的多样性。会得到多个聚类矩阵．如何进行最优划分的判定？针对这一问题，本文提出一个新的判定模型：根据灰色系统理论中灰关联度分析的恩想。建立灰关联序模型。根据灰关联算法，判断样本代表性，若样本具有较好的代表性。则由其归纳计算得到最优划分矩阵，示例分析验证了该算法的可行性。本方法为最优划分矩阵的判定问题提供了一种新的研究工具和思路，将相关学科的研究方法与模糊集理论相结合，丰富了模糊集理论的方法体系．     

基于灰关联分析的模糊聚类最优划分判定模型

在模糊聚类的模糊模式中，由于只已知样本中的部分样本，以及聚类中心选择的多样性，会得到多个聚类矩阵.如何进行最优划分的判定？针对这一问题，本文提出一个新的判定模型：根据灰色系统理论中灰关联度分析的思想，建立灰关联序模型，根据灰关联算法，判断样本代表性.若样本具有较好的代表性，则由其归纳计算得到最优划分矩阵.示例分析验证了该算法的可行性.本方法为最优划分矩阵的判定问题提供了一种新的研究工具和思路.将相关学科的研究方法与模糊集理论相结合，丰富了模糊集理论的方法体系.     

基于模糊C均值聚类的织物平整度等级评定

采用模糊C均值聚类客观评定织物平整度等级。首先介绍了模糊C均值聚类的基本方法和思路，模糊聚类可以将输入特征值进行聚类并分组；然后利用模糊C均值聚类对输入特征值进行聚类分析，不同平整度等级的织物模板被分属于不同的模糊聚类中心；最后选取26种不同类型的织物样本进行测试，试验结果表明，客观评价与主观评价的相关系数达到97．38％，评定准确率超过90％。     

模糊聚类算法分析及应用

模糊聚类分析算法是对聚类算法的改进,笔者讨论了算法的基本原理、数据的处理方法,并用模糊聚类方法对教师授课效果进行分类分析,选取适当的相似系数,建立模糊矩阵,用动态聚类法进行分类分析,实现了量化评价与综合评价相结合,提高了评价水平,为今后确定评价指标提供了可靠的依据．     

基于粗糙集属性贴近度的聚类方法与应用

利用基于粗糙集对象属性贴近度的模糊聚类方法,解决信息表中属性值定性和定量描述并存情况的聚类问题。首先,给出对象的属性贴近度公式;然后利用该公式建立模糊矩阵,进而给出聚类方法。最后以实例说明该方法。     

一种改进的模糊核聚类算法

文章提出了将HCM,FCM和核方法结合在一起的,一种改进模糊核聚类算法。该算法的思想是将样本数据映射到特征空间,然后在特征空间内计算类中心、隶属度以及距离表达式,再在特征空间内进行模糊聚类,并且针对个别样本（即隶属度比较接近的样本）加入了截集因子确定样本的归属,确保聚类的效果。实验结果表明,与传统的模糊聚类算法相比,改进的模糊核聚类算法在多种数据结构条件下可以有效地进行聚类,总体性能优于HCM,FCM和FKCM。     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.