自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性,把事物分类,使类间的相似性尽量小,类内的相似性尽量大.将事物通过适当聚类,才能便于研究事物的内部规律,但客观世界中存在着大量界线不分明的问题,研究模糊聚类的方法正是为了解决这类问题.在对常规模糊聚类方法分析的基础上,提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法,并以100种动物分类为例,进行了模拟试验,仿真结果证明这种方法进行模糊聚类的思想正确,方法可行,效果较好.     

聚类在股票研究中的应用

聚类是按照事物的某些属性，把其聚集成类，使各类问的相似性尽量小，类内相似性尽量大。现在使用的一些聚类算法大多效率不高、聚类速度慢。文中在改进LBG算法的基础上提出了一种新的聚类算法，克服了传统的LBG算法的缺点，具有准确性高、测试时间短的优点。现将它应用于股票数据的预测分析中，实验结果表明这种新的聚类算法，相较于其它聚类算法能够取得更好的结果。     

数据挖掘中的聚类方法

从空间X中给定一个有限的取样点集(或从数据库中取得有限例子的集合),{x~i}_(i 1)~M,聚类的目标是将数据聚集成类,使得类间的相似性尽量小,而类内的相似性尽量大。分类问题(监督)和聚类问题根本的不同是:分类问题中,我们知道训练例的分类属性值,而在聚类问题中,就需要我们在训练例中找到这个分类属性值。1 数据挖掘领域中的聚类研究     

模糊聚类分析及其应用研究简

模糊聚类是对实际事物进行分类的重要工具,但在聚类算法选择、聚类个数选择、大数据量处理、聚类方法有效性评估等方面有待深入研究。本文将模糊聚类分析原理与实际问题结合起来,重点研究模糊聚类分析的过程和步骤,特别是聚类过程中参数的客主观处理方法。     

聚类在股票研究中的应用

聚类是按照事物的某些属性,把其聚集成类,使各类间的相似性尽量小,类内相似性尽量大。现在使用的一些聚类算法大多效率不高、聚类速度慢。文中在改进LBG算法的基础上提出了一种新的聚类算法,克服了传统的LBG算法的缺点,具有准确性高、测试时间短的优点。现将它应用于股票数据的预测分析中,实验结果表明这种新的聚类算法,相较于其它聚类算法能够取得更好的结果。     

模糊聚类的方法及应用

模糊聚类方法是利用模糊模式识别中的基本理论,其基本思想是要把需要识别的事物与模板进行模糊比较,从而得到所属的类别。模糊模式识别的方法是利用模糊数学中的基本概念,原理,方法解决分类识别问题。该文通过针对如上两类模糊模式识别问题的研究,归纳了几种常用方法,并讨论了模糊聚类方法相对于传统模式识别在应用上的优化之处。     

基于二维属性的高维数据聚类算法研究

聚类就是按照一定的要求和规律对事物进行区分和分类的过程.在这一过程中没有任何关于类别的先验知识,也没有教师的指导,仅靠事物间的相似性作为类属划分的准则,因此属于元监督分类的范畴.聚类分析则是指用数学的方法研究和处理给定对象的分类.针对目前很多聚类算法只能对低维数据进行聚类的问题,提出了一种改进的相异度度量方法对二维属性的高维数据采用层次分裂算法进行聚类,而且根据用户指定的参数聚类,并对传统相异度度量和改进的相异度度量方法的聚类结果进行比较,发现改进的相异度度量方法更适用于二维属性的高维数据的聚类.     

模糊K-Modes聚类精确度分析

模糊K-Modes聚类算法是对具有分类属性的数据进行聚类的一种有效的算法。为了评价聚类结果，以具有明确分类结构的数据作为输入数据，将模糊K-Modes聚类结果与原始数据的分类结构进行对比，分析了确定它们之间对应关系的方法，在期望聚类结果应该具有的特点的基础上，对现有的精确度定义和计算方法进行修正，在划分相似度的基础上，重新定义模糊K-Modes聚类精确度。     

入侵检测聚类中相似性度量的等效性研究

探讨用相似性系数理论和信息熵理论两种方法去解决含有分类属性的聚类问题,并重点对这两种相似性度量方法解决入侵检测聚类问题时的等效性进行了研究。     

模糊聚类算法的研究与实现

聚类就是按照事物间的相似性进行区分和分类的过程,传统的聚类分析是一种硬划分,它把每个待辨识的对象严格地划分到某个类中,具有非此即彼的性质,因此这种分类的类别界限是分明的。而实际上大多数对象并没有严格的属性,它们在形态和类属方面存在着中介性,适合进行软划分。1965年,模糊理论的创始人Zadeh提出的模糊集理论为这种软划分提供了有力的分析工具,人们开始用模糊的方法来处理聚类问题,并称之为模糊聚类。该文主要内容是研究和实现基于等价关系的模糊聚类算法,该算法以隶属度作为聚类的出发点,以模糊等价矩阵作为启发规则。首先根据给出的样本,通过数据标准化求得数据矩阵;其次根据数量积法对数据矩阵进行标定即建立模糊相似矩阵;再次通过传递闭包法把模糊相似矩阵转换成模糊等价矩阵,在模糊等价矩阵中取不同的元素作为阈值λ,再根据λ截矩阵的定义把模糊等价矩阵转换成只有0和1的矩阵;最后,把该矩阵中元素相同的列聚为同一类。通过实例分析运用基于等价关系的模糊聚类算法进行聚类结果是正确的。     

个性化网站中用户分类的研究

用户分类是实现网站个性化的一项重要工作。我们从以往相同喜好的用户的访问内容、访问顺序中进行学习，经过综合、筛选后将其推荐给当前用户。这些推荐信息与用户兴趣间的相关度很高，能很大程度上满足用户的需求，主要讨论基于模糊聚类和相似优先的分类方法。     

基于RSA-FCM算法的运动目标跟踪

运动目标跟踪领域的研究常用颜色直方图作为统计特征, 效果良好但也具有易受光照变化影响等缺点, 运用模糊颜色直方图的跟踪方法能解决以上问题. 针对传统模糊聚类方法中的不足之处, 提出了基于RSA-FCM算法的运动目标跟踪算法, 即在模糊聚类过程中使用随机采样策略确定聚类初值, 同时运用自适应模糊聚类模型进行运算, 提高了跟踪的速度和精度. 实验对比表明, 本文提出的算法在运动目标跟踪准确性和实时性较传统算法都有改进.     

基于模糊聚类的神经元识别方法

大脑是生物体内结构和功能最复杂的组织,其中包含上千亿个神经元。作为大脑构造的基本单位,神经元的结构和功能包含很多因素,其中神经元的几何形态特征就是一个重要方面。大脑中神经元的几何形态复杂多样,对其识别分类问题是一个难题。本文在模糊聚类的基础上根据神经元的几何形态建立了模糊集模型 ,并利用多数据库分类模型中的最优划分模型对模糊聚类分析法进行改进。将改进后的模糊聚类方法用于对神经元的识别分类,得到最优的分类结果。根据聚类的评价方法,与其他的聚类方法比较,证明了改进的模糊聚类方法能够得到更好的聚类效果。     

软件系统层次的数据挖掘方法

论文在软件数据中挖掘聚类模式的研究基础上,进一步提出了在软件层次上的数据挖掘方法。对于解决软件工程中项目代价的估算和评测具有重要的参考价值。首先收集不同类型软件数据,接着根据Halstead软件科学从它们中间抽取不同的特征,以此来标识不同的软件;然后将这些软件归为不同的类别,对于同一类中的软件可以认为它们具有相似的软件代价或相似的结构,可以用于病毒特征检测和预测,对于在不同类中的软件可以发现二者存在差异的决定“相异因素”;最后给出了对5414个实际软件系统挖掘的实验结果。结果表明这种软件层次的数据挖掘方法是可行而有效的。     

模糊聚类分析在突发事件应急物资分类中应用

为了对应急物资进行合理分类,提出了基于模糊聚类的应急物资分类方法。分析了传统分类方法存在的问题,给出了模糊相似关系和模糊等价关系的概念和求模糊等价矩阵的方法,建立了应急物资分类指标体系,在此基础上提出了基于模糊聚类的应急物资分类方法。最后通过算例验证了该方法的有效性。     

基于聚类的二级模糊综合评判的车型识别研究

提出了一种基于模糊理论的有效车型识别分类方法,该方法采用基于聚类的二级评判模型,能够比较真实准确地反映实际情况,不仅大大减少了主观因素决断的影响,而且判断执行的效率较高,满足实时性要求。结果表明该方法有效提高了智能车型的识别率,同时具有很好的可扩展性。     

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。      

基于构件行为聚类的软件工程知识分类

针对传统软件工程知识分类方法效率低下的问题,提出一种改进的软件工程知识分类方法。依据软件工程知识体系(SWEBOK)对构件行为进行聚类,确定关联系数、最佳聚类数和模糊关联矩阵,基于K-NN算法和结构建模方法生成软件知识分类系统,并根据训练先验知识将新知识归入到SWEBOK的对应类别下。实验结果表明,该方法具有较好的分类效果。     

基于马氏距离特征加权的模糊聚类新算法

模糊聚类分析是模糊模式识别中一个重要研究领域,而其中最经典的模糊C均值算法认为样本矢量各特征对聚类结果贡献均匀,没有考虑不同的属性特征对模式分类的不同影响,在处理属性高相关的数据集时,该算法分错率增加。针对这些问题,提出了一种基于马氏距离特征加权的模糊聚类算法,利用自适应马氏距离的优点对特征加权处理,对高属性相关的数据集进行更有效的分类。实验证明该方法的可行性和有效性。     

混合神经模糊分类器的实现

人工神经网络与模糊系统是计算智能的核心内容,二者的混合系统是近年来的一个研究热点。分类是数据分析中的研究重点,随着数据的复杂化和多样化,对分类的要求越来越高,有时仅凭经验和专业知识难以确切地进行分类,因此研究如何运用神经模糊分类算法进行数据分析具有重要意义与实用价值。鉴于其强大的数据分析功能,研究中采用模糊C均值聚类算法和Gath—Geva聚类算法对数据进行分类,并对测试数据进行仿真试验,其测试结果良好。