基于改进NJW算法的交通控制时段划分

为了克服人为地对交通控制进行时段划分的随意性和K-means方法本身的缺陷,使用谱聚类算法得到最优的时段划分结果.选择道路交叉口各相位的流量作为聚类数据,以尽可能代表交叉口的状态,识别出动态交通中的不同交通模式.对谱聚类中的经典NJW(Ng-Jordan-Weiss)算法进行改进,得到初始时段划分结果,再进行离群点的修正后,得到给定聚类数目下的时段划分结果.通过Synchro软件为每个时段建立最佳信号配时方案,使用SimTraffic对不同聚类数目下的时段划分结果进行仿真评价,以选择最佳的聚类数目.与K-means方法仿真对比结果表明:提出的方法使得总延误减少了6.8%、停车次数降低了5.4%.     

基于Sub_FCM聚类算法的交通流量段自动划分方法

基于FCM算法提出一种结合减法聚类与聚类有效性评判的模糊c均值聚类算法Sub_FCM,该算法能自动确定合理划分类数并初始化聚类原型,建立一种基于交替优化策略的无监督机器学习自动分类模型,并详细阐述了该模型在怀柔交叉路口流量段自动划分中的具体应用.实例分析表明,该算法能很好地反映路口交通流数据的内在结构,自动划分出合理流量段,为进一步实施合理的控制算法奠定基础.     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

基于进化思想的聚类算法及其类簇融合算法

针对K均值聚类算法对类簇数目预先不可知及无法处理非凸形分布数据集的缺陷,提出基于进化思想的聚类算法及其类簇融合算法．该算法将K均值聚类算法嵌入进化聚类算法框架中,通过调整距离倍参,将数据逐渐划分,在此过程中自动确定类簇数目,提出基于最近距离的中间圆密度簇融合算法和基于代表类的中间圆密度簇融合算法,将相似度大的类簇进行融合,使得k值逐渐趋向真实值．实验表明,该方法具有良好的实用性．     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

基于基因表达式编程的自动聚类方法

为了解决聚类算法不能自动聚类的问题,提出并实现了自动聚类算法GEP-Cluster算法。主要工作包括:1)研究了基于GEP进化的最优簇划分;2)提出了自动合并簇算法Auto Merge Cluster Algorithm;3)实现了不需预知簇个数的聚类;4)在合成数据集上的实验表明,采用GEP-Cluster算法在未知簇划分信息的情况下可对数据集自动进行聚类分析,聚类成功率达到96%。     

采用递归有序聚类的信号控制时段划分方法

为了弥补传统聚类思想下的信号控制时段划分算法忽略了交通流量序列的时间特性的缺点,引入有序聚类建立智能化的交通控制时段划分方法.针对特定分割数目下的任意一种可能划分方案,用类表示特定时段内部的数据序列集合,以直径为参数测算类内样本差异性,以所有类内直径总和作为指标衡量划分结果损失值及方案优劣性.为了降低传统有序聚类时间复杂度,引入动态递归策略,建立特定分割数目下最佳方案的快速求解方法,通过识别不同分割个数下最小损失值突变点,获取最佳分割数和最优方案.基于该方法得到的最优划分在实际交通规划中对比常用方法,交通运行效率得到了显著提升.     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数（radial basis function,RBF）神经网络应用于交通信息融合的研究中,采用模糊C均值（fuzzy Cmeans,FCM）聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小．结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数．该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果．实例仿真验证了算法的有效性和实用性．     

一种基于数据包含度的自动聚类算法

聚类分析是机器学习和模式识别领域的一个重要问题,聚类算法常用于解决这类问题。针对传统聚类算法运算量大、不适应任意分布数据聚类的不足,提出了一种基于数据包含度的自动聚类算法。该算法引入数据包含度的概念,能够自动确定聚类个数和聚类中心,并进一步采用跟随策略实现聚类。多组数据的实验验证了自动聚类算法的有效性。对不同分布的数据进行了自动聚类算法与K-means聚类算法的聚类结果比较,实验结果表明自动聚类算法具有很好的聚类性能。     

基于AIS聚类的模糊神经网络在热轧优化建模中的应用

针对现有的钢坯热轧过程智能建模方法——模糊神经网络建模存在的收敛速度慢、建模精度不高、易陷入局部极小值、系统输入输出向量维数和空间划分增加使网络结构趋于复杂等问题,提出了一种基于人工免疫系统（AIS）聚类的自适应神经模糊推理系统的建模方法。该方法采用人工免疫聚类学习算法来确定模糊集合的划分,并确定模糊神经网络的结构和初始参数,能以较少的模糊规则达到理想的建模精度,仿真结果表明了该方法的有效性。     

基于层次聚类和人工免疫的无监督结构故障分类算法

目的利用层次聚类与人工免疫模式识别相结合的方法解决无监督结构健康监测中对结构故障识别和分类的问题.方法通过凝聚型层次聚类实现样本数据的分类,通过模仿生物免疫识别和学习机理来训练记忆细胞集合,进而实现对结构故障的识别与分类.结果在benchmark结构模型上的仿真实验测试结果表明在抗原样本数据中采用凝聚型层次聚类和方法能够成功地确定抗原样本数据的模式数目,继而采用人工免疫模式识别算法对实测数据进行模式识别与分类,分类成功率为81%.结论基于层次聚类和人工免疫的无监督结构故障检测与分类算法通过免疫学习和进化产生高质量的记忆细胞,从而有效地识别结构故障模式.     

基于免疫遗传聚类的异常检测系统

免疫算法是在保留遗传算法优良特性的基础上有目的、有选择的利用待求问题中的特征信息来抑制进化过程中出现的种群退化现象,算法核心是免疫算子(接种疫苗和免疫选择)的构造。基于免疫遗传算法的聚类不仅能够有效克服传统聚类方法对初始化敏感、依赖聚类原型、进化后期容易早熟等缺点,而且聚类结果能够快速收敛到全局最优。本文将这种聚类方法用于网络异常检测中,构造基于免疫遗传聚类的异常检测系统,该系统可实现对海量异构多维原始数据的异常检测,并且能够检测到网络未知攻击。本文在KDD CUP99数据集中进行了对比仿真实验,实验结果表明该算法能够得到较高的已知攻击和未知攻击检测率以及较低的误警率,检测系统性能优良。     

免疫聚类算法在基因表达数据分析中的应用

提出了基于免疫聚类算法的基因表达数据分析方法. 根据基因表达数据矩阵的特点,设计了改进的Consine系数来度量基因相似度;借鉴生物免疫学的有关免疫理论,利用基因表达数据分析的先验知识自适应地改变抗体本身及其与抗原亲合度的关系,构造了基于免疫优势克隆的聚类算法. 与K均值算法和遗传算法的对比实验表明,该算法能够获得较大的类内紧制度、较小的类间分离度,具有较好的工程应用价值.     

流形距离的自动免疫克隆聚类图像分割算法

聚类算法在对图像进行分割的过程中要面对如何自动确定聚类类别数、如何克服图像特征点分布复杂的流形结构、如何减少算法的运行时间. 针对这些问题, 提出了流形距离的自动免疫克隆聚类图像分割算法. 自动免疫克隆聚类算法可以自动确定聚类个数, 不需要人为事先给定, 并且确保全局收敛; 使用流形距离可以反映空间分布复杂的流形数据; 使用超像素而非像素来降低图像分割的时间等问题. 通过对4组人工数据集和4幅自然图像进行实验, 对比k-means算法、GCUK算法, 结果表明该方法优势比较明显, 具有一定的实用性和先进性.     

ANFIS建模的人工免疫聚类算法应用研究

结合锌钡白干燥煅烧生产过程的建模问题,针对ANFIS存在的网络易陷入局部极小点缺陷,提出了一种基于人工免疫聚类的ANFIS建模算法.该算法通过免疫网络对其抗体及记忆数据集逐代克隆、变异及抑制操作,提取有用的模糊规则数目,避免ANFIS训练陷入局部极小点的可能性.从理论机理及仿真研究上分析免疫聚类对ANFIS网络建模性能的作用,取得了良好的辨识效果.     

利用CondEns算法实现聚类过程的改进

在已知数据挖掘、聚类、数据聚类、非冗余等相关概念和基本聚类算法背景下,给出了非冗余聚类的总体概念框架和过程．引出了基于条件集非冗余聚类的改进聚类算法——CondEns算法,阐述了利用CondEns算法实现数集聚类的过程．最后在实验的基础上比较CondEns算法和没改进域聚类算法中的一种：CCIB算法,随着正交性减弱研究非冗余数集聚类的鲁棒性,发现了算法CondEns表现得比CCIB更好．     

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.     

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。     

半监督聚类目标下粒子群算法的分析与改进

传统粒子群算法的优点较为明显,但是随着环境复杂度的增高,传统算法的聚类中心敏感度升高,空聚类过多,类标号对聚类结果的影响不足等问题日趋严重.为此,提出了一种改进算法,以半监督K均值聚类为目标,以自适应K值的方式,随机地计算初始化聚类中心,并根据均值聚类算法的需要编码成粒子,同时引入软性约束概念重新构造目标函数;最后使用改进后的算法进行寻优.所提出的粒子群算法改进了自适应参数,引入了免疫扰动和混沌扰动2种扰动方式,同时应用了退火策略和动态聚类策略.实验结果表明,该算法在很大程度上解决了上述问题.