基于时间因子的混沌粒子群优化K-means算法

针对传统的K-means算法对初始聚类中心取值敏感和易陷入局部最优解等缺点,提出一种带时间因子的改进粒子群优化(Particle Swarm Optimization,PSO)聚类算法。首先在PSO算法中引入反映时间效应的动态调整时间因子,以避免粒子在最优解附近震荡,为保证粒子在规定范围内运动,采用边界缓冲墙对越界粒子进行处理;其次针对粒子群算法存在的全局搜索性能问题,通过改进的混沌技术对粒子群进行扰动,以混沌搜索替代随机搜索,确保种群的多样性,进而使粒子群向更优的方向移动;最后将改进后的粒子群算法结合K-means算法,以提高粒子的局部勘探能力,从而更快地找到全局最优位置。对UCI中的Iris数据集和Wine数据集仿真表明,该算法相比其他2种算法,聚类准确率分别增长了5.1%和1.3%,1.79%和1.09%。     

一种新的基于网络虚拟环境的用户访问模式聚类算法

为了有效地实现网络虚拟环境的个性化信息推荐,提出一种针对网络三维虚拟环境的用户访问模式聚类算法,即基于多目标粒子群优化的模糊C-均值聚类算法(MOPSO-based FCM, MPF)。MPF算法结合了粒子群优化算法(particle swarm optimization, PSO)与模糊C 均值算法(fuzzy C-means, FCM)的优点,通过PSO的全局空间搜索避免了FCM算法对初始值、噪声数据敏感与容易陷入局部最优等。为了改善聚类效果,在PSO中设计一个基于双目标(最小化类内距离与最大化类间距离)的粒子适应度函数。最后用标准数据集与模拟数据集分别对MPF算法进行性能测试,实验结果表明:本算法在聚类精度方面表现良好。     

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optimization,PSO)提出一种说话人识别算法-三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.     

基于并行小生境技术优化的智能模糊聚类图像分割算法

利用PBM模糊聚类有效性函数以图像特征空间为搜索空间,实现有效性函数的全局寻优,用并行小生境技术解决粒子群(PSO)算法的早收敛问题,优化聚类的全局收敛性能,实现有效聚类数目与聚类中心的并行寻优。通过对遥感图像分割的实验证明,与传统粒子优化群算法的分割结果相比,本文算法拥有更高的有效性且分割效果更优。     

基于小生境粒子群的属性约简算法

遗传算法（GA）及蚂蚁算法（ACO）等进化属性约简算法,具有全局寻优的优点,但存在算法时间复杂度高,搜索空间大等不足;粒子群（PSO）属性约简算法,虽然可提高求解效率,但易陷入局部最优.本文引入小生境技术,提出基于小生境粒子群的属性约简算法,利用小生境技术造就种群的多样性,使解保持多样化,以此避免粒子群属性约简算法易早熟收敛的缺点.理论分析及实验结果表明,该算法是有效可行的.     

粒子群优化的模糊粗糙集双约简算法

为了提升下游模型的性能,获得质量更好的约简数据集,提出基于粒子群优化（PSO）的模糊粗糙集特征和实例联合选择算法,引入基于ε-双约简的适应度函数来评估约简集的质量,引导搜索过程快速逼近最优解.实验结果表明,基于PSO算法的模糊粗糙集双约简算法有效约简了实例和特征,获得了高质量的约简集,在分类任务中取得了优于原始数据集的准确度.     

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.     

融合改进PSO和K-调和均值的混合聚类算法

为了提高聚类算法的全局搜索能力,提出了一种融合改进的粒子群算法(IPSO)和K-调和均值聚类(KHM)的混合聚类算法(IPSO-KHM)。该算法为了改进PSO算法容易陷入局部最优的缺点,提出了一种粒子突变策略,根据粒子分布密集程度及粒子在当前最优值附近的相对分布位置,通过移动低效粒子使之远离当前局部最优值,从而提高粒子全局搜索的效率,避免陷入局部最优。实证分析结果表明:IPSO-KHM算法的聚类效果、收敛速度、分类精度等性能优于其他算法。     

免疫接种粒子群的聚类算法

将粒子群优化算法和K均值算法结合进行聚类分析,同时引入了免疫系统中的免疫接种和免疫选择机制来指导粒子的迭代过程,提出了一种基于免疫接种粒子群的聚类算法,在粒子群迭代的过程中加入免疫接种机制指导粒子的飞行方向,再通过免疫选择机制对接种的结果进行选择,确保粒子种群向更优的方向移动。实验结果证明,基于免疫接种粒子群的聚类算法基本克服了K均值算法容易受初始聚类中心影响的缺点,聚类结果稳定,而且比基于粒子群优化的聚类算法取得了更好的聚类效果。     

基于粒子群优化模糊核聚类的电梯群交通模式识别

为了改善电梯群控系统的性能,使电梯群节能并高效运行,针对不同的交通模式采用合理的调度算法对电梯群进行优化调度,提出一种基于粒子群(PSO)的模糊核聚类算法(KFCM)的电梯交通流模式识别方法．利用基于梯度下降的粒子群优化算法代替KFCM算法的迭代过程,可使算法具有较强的全局搜索能力和局部搜索能力,并降低了KFCM算法对初始值的敏感度．利用核方法将低维特征空间的样本映射到高维特征空间,增加对样本特征的优化,并使样本特征在高维特征空间线性可分,更加容易聚类．采用在某办公楼采集的电梯交通流数据作为测试样本,仿真结果表明,与FCM聚类算法相比,该算法具有良好的性能指标,对电梯交通流的聚类效果更准确．     

一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

一种改进的粗糙集属性约简启发式算法

作为数据挖掘的重要工具,粗糙集理论被广泛的应用于关系数据库中属性相关性描述、属性集约简、属性重要性度量、规则发现等方面。该文在分析基于信息系统的粗糙集理论的基础上,对基于分辨矩阵的属性约简算法进行了详尽的描述。针对该算法存在的时间和空间性能不理想问题,提出度量单个条件属性对系统概念贡献程度的关联度的概念,以此作为启发式信息对原算法进行改进,得到条件属性的约简。理论分析及实验结果表明该算法具有较好的约简效果及更高的运行效率,为粗糙集理论更广泛地应用于具体的实践提供了一种方法。     

Study and application of time series forecasting based on rough set and Kernel method

A support vector machine time series forecasting model based on rough set data preprocessing was proposed by combining rough set attribute reduction and support vector machine regression algorithm. First, remove the redundant attribute for forecasting from condition attribute by rough set method; then use the minimum condition attribute set obtained after the reduction and the corresponding initial data, reform a new training sample set which only retain the important attributes influencing the forecasting accuracy; study and train the support vector machine with the training sample obtained after reduction, and then input the reformed testing sample set according to the minimum condition attribute and corresponding initial data. The model was tested and the mapping relation was got between the condition attribute and forecasting variable. Eventually, power supply and demand were forecasted in this model. The average absolute error rates of power consumption of the whole society and yearly maximum load are respectively 14.21% and 13.23%. It shows that RS-SVM time series forecasting model has high forecasting accuracy.     

粗糙集理论在关键功能零件识别中的应用

关键功能零件的识别可以提高装配体模型检索的效率并提高重用水平,同时为自主设计提供关键参考信息.为降低人为因素的影响和评价的主观性,本文提出了一种基于粗糙集理论的关键子装配功能零件的自动识别方法,利用装配体模型自身数据对功能零件的排序过程进行驱动.分析、讨论复杂装配体中零件类型与零件之间的装配连接关系,构建了基于复杂网络...     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

Fault Attribute Reduction of Oil Immersed Transformer Based on Improved Imperialist Competitive Algorithm

基于改进型帝国竞争算法的变压器故障属性约简

边莉¹,何辉²,孙洪娜²,刘文静³

（1.广东海洋大学 电子与信息工程学院,广东 湛江 524088;2.黑龙江科技大学 电气与控制工程学院,哈尔滨 150022;3.国网邯郸供电公司,河北 邯郸 056002）

创新点说明：

通过利用改进型帝国竞争算法与粗糙集和神经网络相结合的方式,对油浸式变压器的故障数据集进行了优化,并验证了该方法具有较好的性能。

研究目的：

电力系统的运行与人们的工作生活和工业生产有着非常密切的联系,其安全稳定的运行具有重要的意义,而油浸式变压器作为电网运行的重要组成部分,它的安全可靠运行对整个电力系统具有重要的影响。由于原始的变压器故障数据具有相当大的冗余,这就对进一步的故障判断增加了难度,其结果就是运行速度慢,且诊断正确率较低。所以本文针对原始数据集过于繁杂的问题,优化原始数据,避免大量无意义的计算,并提高其准确率。

研究方法：

利用改进型帝国竞争算法对粗糙集进行优化后,对离散化的油浸式变压器原始故障数据进行属性约简,得到最终决策表,为了验证该方法得到的决策表是否具有优越性,将其带入神经网络中进行验证,并与遗传算法、粒子群算法和模拟退火算法进行了对比。

结果：

改进型帝国竞争算法在第27次迭代时已经趋于稳定,约简率为56.25%,约简精度为98%。采用BP神经网络对故障数据集最终决策表进行诊断验证,准确率为86.25%,总体效果优于原始数据和其他算法。因此,对油浸式变压器的故障属性进行约简是非常有效的。

结论：

1） 本文将改进型帝国竞争算法应用到油浸式变压器故障属性约简问题中,通过对算法进行介绍,并建模、仿真,最后与其他智能算法进行比较分析,得出该算法具有较强的可行性和适用性。

2）该方法实现了变压器故障属性的最优约简。与遗传算法、粒子群算法和模拟退火算法相比,帝国竞争算法优化粗糙集属性约简具有迭代次数少、约简率高、精度高等优点,降低了对数据存储的要求,提高了分类精度。

3）在保持判别关系不变的前提下,去掉一些无意义的属性,可大大降低后续操作的难度。当样本集数据量较大时,宜采用改进的帝国竞争算法优化粗糙集的方法来进行属性约简。

关键词：变压器故障;改进型帝国竞争算法;粗糙集;属性约简;BP神经网络

     

RS-SVM forecasting model and power supply-demand forecast

A support vector machine (SVM) forecasting model based on rough set (RS) data preprocess was proposed by combining the rough set attribute reduction and the support vector machine regression algorithm, because there are strong complementarities between two models. Firstly, the rough set was used to reduce the condition attributes, then to eliminate the attributes that were redundant for the forecast, Secondly, it adopted the minimum condition attributes obtained by reduction and the corresponding original data to re-form a new training sample, which only kept the important attributes affecting the forecast accuracy. Finally, it studied and trained the SVM with the training samples after reduction, inputted the test samples re-formed by the minimum condition attributes and the corresponding original data, and then got the mapping relationship model between condition attributes and forecast variables after testing it. This model was used to forecast the power supply and demand. The results show that the average absolute error rate of power consumption of the whole society and yearly maximum load are 14.21% and 13.23%, respectively, which indicates that the RS-SVM forecast model has a higher degree of accuracy.     

一种基于粗糙集和模糊推理的生活方式病检查模型

为了实现从大量的医学数据中获取有效的知识并形成规则和做出正确的推理,提出了一种基于粗糙集和距离型模糊推理进行生活方式病检查的模型.采用改进的依赖度属性约简算法研究属性约简,去掉不必要属性,减小规则库规模,提高粗糙集知识发现方法在医疗健康数据上的分类效率和准确性.采用距离型模糊推理方法匹配知识库中已有规则,计算规则和给定事实的距离进行推理检查,构建距离型模糊推理的检查系统.通过实验数据描述了知识库的构建过程,并验证了模型的有效性.     

粗糙集理论中一种属性离散化算法

针对定量属性离散化制约粗糙集理论应用这一关键问题，利用分级聚类法和粗糙集理论中依赖度的概念，提出了一种对决策系统中条件属性进行离散化的增类减类算法，实现了决策系统的属性约简。该算法易于理解，计算简单，以实例说明了算法的合理性和有效性。     

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。