基于在线聚类的背景减法

假定"背景总是以较大的频率出现"的基础上,提出一种基于在线聚类的背景减法.利用在线聚类对一段时间内像素的灰度值进行分类,选择出现频率大于阈值的灰度类作为该像素的背景,这样可以较好地构建出单模态或多模态场景的背景.一旦背景被构建好,通过融合背景差分、邻域背景差分和帧间差分的信息提取前景,实现正确而完整的运动目标分割.仿真实验表明,即使在背景有微小运动的复杂环境下,算法仍能较好地构建背景,运动分割效果较好.     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

基于聚类和SVD算法的模糊逻辑系统结构辨识

为了研究模糊逻辑系统新的结构辨识方法, 提出采用基于山峰函数的减法聚类算法构造模糊逻辑系统的初始结构, 并利用奇异值分解(SVD)算法分析了模糊规则与奇异值、累积贡献率以及索引向量的关系, 从而实现了模糊逻辑结构的优化. 最后, 对该算法的可行性和有效性进行了仿真验证和性能比较, 取得了较好的效果.     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

模糊聚类辨识算法

采用模糊输入聚类算法来辨识系统的模型,通过两个模糊聚类准则函数求得聚类中心和模糊规则数,然后求出各个子窨支态模型,再用隶属函数光滑地把他们连接成一个全局动态模糊模型,这种模型可以转化成状态空间模型,从而进行控制器的设计和稳定性分析。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

无线传感器网络中基于减法聚类的定位算法

定位算法是无线传感器网络中的关键技术。文中在传统的Dv—Hop算法的基础上,找出其产生误差的主要原因,即对未知节点与锚节点之间的估计距离做出了修正,提出一种无线传感器网络中基于减法聚类的定位算法。该算法用减法聚类的方法,根据节点自身的密度,选出锚簇头节点,使锚簇头节点在锚节点密集处产生;同时用所有锚簇头节点平均每跳距离的均值作为未知节点的网络平均每跳距离,提高了定位精度,减少了定位过程中的能量消耗。仿真实验表明,该算法比Dv—Hop算法有更好的定位精度和鲁棒性。     

基于减法聚类改进的模糊c-均值算法的模糊聚类研究

针对模糊c-均值(FCM)聚类算法受初始聚类中心影响,易陷入局部最优,以及算法对孤立点数据敏感的问题,提出了解决方案:采用快速减法聚类算法初始化聚类中心,为每个样本点赋予一个定量的权值,用来区分不同的样本点对最终的聚类结果的不同作用,为提高聚类速度采用修正隶属度矩阵的方法,并将算法与传统的FCM相比.实验结果表明,该算法较好地解决了初值问题,与随机初始化方法相比,迭代次数少、收敛速度快、具有较好的聚类结果.     

基于减法聚类的无线传感器网络分簇路由算法

在LEACH（Low-Energy Adaptive Clustering Hierarchy）算法的基础上,提出一种基于减法聚类的 无线传感器网络分簇路由算法SCC（Subtractive Clustering based Clustering routing algorithm for wireless sensor networks）．在SCC 中,簇头的选择采用减法聚类的方法,使簇头节点在节点密集处产生;在簇形成算法中,修 正了现有的非簇头节点的归属机制,将能量消耗平均分配到整个网络中．仿真实验表明,SCC 算法不但可以 得到合理的簇头节点分布,推迟第一个节点死亡时间,而且延长了网络生命周期,使节点能耗均衡．     

基于聚类学习算法的模糊系统辨识方法

在建立模糊辨识器的一般数学模型后，利用最近邻聚类算法对样本数据进行分组，然后再将每一组数据视为一个数据对对系统进行在线训练辨识，从而使模糊辨识器能较快的收敛于起初系统。     

一种基于加权性能指标的多模型辨识算法及其在热工过程中的应用

Most existing algorithms for identifying multi-model system are based on minimizing the square of bias between global outputs of the actual system and the identified model, but the resultant model lacks of robustness. In order to solve this problem, this paper considers some other algorithms in which local models are identified independently and presents a multi-model identification algorithm based on weighted cost function, which uses the idea of local weighted regression and local approximation while keeps the model structure of global identification algorithm. The result of application to a 300MW unit boiler superheater illustrates that the multi-model generated by the proposed algorithm has better trade-off between global fitting and local interpretation.     

A Multi-model Identification Algorithm Based on Weighted Cost Function and Application in Thermal Process

Most existing algorithms for identifying multi-model system are based on minimizing the square of bias between global outputs of the actual system and the identified model,but the resultant model lacks of robustness.In order to solve this problem,this paper considers some other algorithms in which local models are identified independently and presents a multi-model identifica- tion algorithm based on weighted cost function,which uses the idea of local weighted regression and local approximation while keeps the model structure of global identification algorithm.The result of application to a 300MW unit boiler superheater illustrates that the multi-model generated by the proposed algorithm has better trade-off between global fitting and local interpretation.     

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法．该方法将从语 音信号中提取的Mel 频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模 糊C-均值聚类算法进行修正,形成码本．识别时,对每一个待识别语音进行模糊聚类识别．仿真结果表明,该 方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单．     

基于减聚类的遗传模糊的协同过滤算法研究

通过对传统协同过滤算法中存在的问题以及解决情况进行分析,论文采用了一种混合减聚类的遗传模糊聚类的协同过滤推荐算法,利用混合减聚类的模糊聚类可以更有效地对数据进行柔性划分,更好地发挥遗传算法的全局搜索能力,加快收敛速度,同时也能够很好地解决数据稀疏性带来的冷启动问题.     

基于减法聚类的合并最优路径层次聚类算法

针对传统层次聚类算法在处理大规模数据时效率低下的问题,提出一种快速层次聚类算法。根据数据点密度值的大小依次确定初始聚类中心,使用最小生成树算法对初始聚类中心间的相似度距离进行存储,寻找最优合并路径,从而减少更新距离矩阵的计算量和空间复杂度,并优化减法聚类中的收敛函数。在UCI数据集上的实验结果表明,该算法比传统聚类算法执行速度更快、效率更高,且随着数据量的增多,在时间消耗方面的优势更明显。     

基于多层空间模糊减法聚类算法的Web数据库安全索引

目前对Web数据库进行索引查询时采用单层文本特征聚类方法,当聚类特征不一致时,存在着非法聚类和非法结果输出的安全问题。提出一种基于多层空间模糊减法聚类的Web数据库安全索引算法,该算法将数据库信息矢量构建成多层矢量自回归空间,把数据流信息聚焦在空间的多层空间模糊聚类中心,采用减法聚类的模糊推理方法构建数据库索引函数,变尺度调整聚类中心向量,搜索索引结果,阻止了邻近数据点非法侵入和非法聚类,实现了Web数据库安全索引。仿真实验表明,该算法能使数据库信息流在多层矢量自回归空间中充分展开,特征匹配度比传统算法显著提高,能有效排除非法数据输出,保证数据库安全索引。     

基于减法聚类的网格霍夫变换

为了解决网格霍夫变换因人工设置投票参数不当造成的直线漏检和形成伪直线的问题,提出一种基于减法聚类的无投票参数的网格霍夫变换。首先采用两阶段单调扫描方法提取尽量长的直线单元,然后利用直线单元在数量上长的少、短的多的特点自动确定参与投票的直线单元集合,最后利用减法聚类实现直线单元的容错投票。实验结果表明该算法不但执行速度快,而且无需人工设置投票参数,配合减法聚类的容错投票,较好地避免了因人工设置投票参数不当造成的直线漏检和形成伪直线的问题。     

一种基于非线性频谱分析的多模型在线早期故障预报方法

为了克服非线性系统故障诊断方法一般计算量比较大,不利于在线实施的不足,该文以非线性频谱分析故障诊断方法为基础,融合时间序列分析理论,提出并实现了一种多模型在线早期故障预报策略。通过对某型直升机并联电动舵机的大量实际检测表明,该文提出的在线预报方法是有效的。该方法可以直接应用于工程实际,具有重要的实用价值。     

基于模糊聚类的非线性系统模糊辨识算法

针对模糊聚类算法中数据和运算耗时很长,不适于在线建模与控制的问题,基于模糊聚类型隶属函数和EUM方法,提出了一种新的模糊辨识算法。该方法省去了求解聚类中心的迭代过程,计算时间显著减少。采用该方法对Box—Jenkins煤气炉数据和Mackey—Glass混沌时间序列进行了仿真,结果证明了该方法的有效性。