动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。     

模糊软集之间的相似性度量及应用

研究模糊软集的不确定度量问题,给出模糊软集的包含度、相似度公理化定义;基于模糊蕴含算子提出新的模糊软集包含度与相似度度量方法,该方法具有一定的普遍性,在某种程度上提供不同的模糊蕴含算子就可得到不同的包含度与相似度。基于新的相似度度量方法构造了一种决策方法并应用于金融企业流动性检测中。     

犹豫模糊数据对象集的谱聚类算法

目前适用于犹豫模糊数据对象集的聚类算法研究仍然非常有限,现有的犹豫模糊数据对象集层次聚类算法受异常点影响较大且容易聚成链状.针对上述问题,本文首先提出了一种可扩展的犹豫模糊集的加权相似度计算方法,该方法不仅可以利用不同的函数计算相似度,而且可以根据实际问题构造最优的相似度函数.基于该加权相似度计算方法,结合经典的谱聚类算法提出了犹豫模糊数据对象集的谱聚类算法(SCHF).针对目前国内外还没有可用于犹豫模糊数据对象集聚类的标准数据集的现实情况,本文提出了一种确定性数据的犹豫模糊方法并在仿真实验中应用.仿真实验不仅验证了SCHF算法的有效性,而且表明SCHF算法比两种已知算法有更好的聚类效果.     

几何距优化质心结合隶属度约束RFCM的脑MRI图像分割算法

针对现有图像分割算法聚类复杂以及分割精度不够高的问题,提出了基于几何距优化质心和粗糙模糊C-均值（RFCM）相结合的医学图像聚类分割算法。首先建立软集表示的像素集,并计算每个像素与质心之间的距离,然后基于像素和质心之间的最小距离,将像素分组到聚类中。为了将软集应用到粗糙模糊C-均值中,定义了一个模糊软集,进一步将输入图像转换为二值图像,通过计算连通区域的几何距选择适当的质心。最后利用这些新的质心计算更新像素的隶属度值,从而完成模糊聚类划分。在Allen Brain Atlas等三个医学数据库上评估了所提出混合算法的性能,获得的Jaccards系数和分割精度（SA）都优于几种对比算法。实验证明,提出的聚类分割算法具有良好的性能。     

广义犹豫模糊软集的相似度量及其应用

在广义模糊软集和犹豫模糊软集的基础上给出广义犹豫模糊软集的概念,并研究广义犹豫模糊软集的相似度量。首先利用三种犹豫模糊集合的包含度,构造犹豫模糊集间的相似度量公式。然后在犹豫模糊集相似度基础上给出广义犹豫模糊软集相似度量的公理化定义,并构造广义犹豫模糊软集的相似度量公式,这些公式可以计算参数集不同时两个广义犹豫模糊软集间的相似度。最后利用广义犹豫模糊软集相似度量方法构造了一种决策方法,并将这个决策方法应用于环境治理问题中。通过实例验证了所提出方法的可行性和有效性。     

基于子空间差异的投影聚类算法

针对传统K-means型软子空间聚类技术中子空间差异度量定义的困难问题,提出一种基于概率距离的子空间差异表示模型,以此为基础提出一种自适应的投影聚类算法。该方法首先基于子空间聚类理论提出一个描述各簇类所关联的软子空间之间的相异度公式;其次,将其与软子空间聚类相结合,定义了聚类目标优化函数,并根据局部搜索策略给出了聚类算法过程。在合成和实际数据集上进行了一系列实验,结果表明该算法引入子空间比较可以为簇类学习更优的软子空间;与现有主流子空间聚类算法相比,所提算法大幅度提升了聚类精度,适用于高维数据聚类分析。     

新的模糊聚类有效性指标

在经典的模糊C均值（FCM）算法中,聚类数需要预先给出,否则算法无法工作,这在一定程度上限制了FCM算法的应用范围。针对FCM算法中聚类数需要预先设定问题,提出了一种新的模糊聚类有效性指标。首先,通过运行FCM算法得到隶属度矩阵;然后,通过隶属度矩阵计算类内紧密性和类间重叠性;最后,利用类内的紧密性和类间的重叠性定义了一个新的聚类有效性指标。该指标克服了FCM算法中类数需要预先设定的缺点,利用该指标可以发现最符合数据自然分布的类的数目。通过对人工数据集和实际数据集的测试表明,对于模糊因子取1.8,2.0和2.2三个不同的常用值,均能发现最优聚类数。     

基于模糊集的连续域决策表属性约简算法

把模糊集和粗糙集结合起来,对连续域决策表属性约简算法进行研究。使用三角隶属度函数将连续属性值转化为模糊值。定义两模糊对象间的相似度、模糊对象的相似类以及连续属性在对象集上划分所形成的相似类集组成的特征向量。给出连续型属性的数字特征向量,以此为基础建立连续型属性间的相似矩阵。提出一个新的属性约简算法,并用一个实例加以验证。     

基于直觉模糊等价相异矩阵的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于直觉模糊等价相异矩阵的聚类方法。该方法首先给出直觉模糊相异区间的概念,并构建了直觉模糊相异矩阵;然后定义了直觉模糊等价相异矩阵和(α,β)截矩阵,进而给出直觉模糊聚类算法;最后将其应用于目标编群领域,通过实例验证该算法的有效性。     

基于连通分量的分类变量聚类算法

针对分类变量相似度定义存在的不足, 提出一种新的相似度定义. 利用新的相似度定义, 将数据集抽象为无向图, 将聚类过程转化为求无向图连通分量的过程, 进而提出一种基于连通分量的分类变量聚类算法. 为了定量地分析该算法的聚类效果, 针对类别归属已知的数据集, 提出一种新的聚类结果评价指标. 实验结果表明, 所提出的算法具有较高的聚类精度和聚类效率.     

Entropy, similarity measure of interval-valued intuitionistic fuzzy sets and their applications

In this paper we propose an entropy measure for interval-valued intuitionistic fuzzy sets, which generalizes three entropy measures defined independently by Szmidt, Wang and Huang, for intuitionistic fuzzy sets. We also give an approach to construct similarity measures using entropy measures for interval-valued intuitionistic fuzzy sets. In particular, the proposed entropy measure for interval-valued intuitionistic fuzzy sets can yield a similarity measure. Several illustrative examples are given to demonstrate the practicality and effectiveness of the proposed formulas. We apply the similarity measure to solve problems on pattern recognitions, multi-criteria fuzzy decision making and medical diagnosis.     

Normalized distance, similarity measure, inclusion measure and entropy of interval-valued fuzzy sets and their relationship

In this paper, we introduce an axiomatic definition of an interval-valued fuzzy sets’ inclusion measure which is different from Bustince’s [H. Bustince, Indicator of inclusion grade for interval-valued fuzzy sets, Applications to approximate reasoning based on interval-valued fuzzy sets, International Journal of Approximate Reasoning, 23 (2000) 137-209]. The relationship among the normalized distance, the similarity measure, the inclusion measure, and the entropy of interval-valued fuzzy sets is investigated in detail. Furthermore, six theorems are proposed showing how the similarity measure, the inclusion measure, and the entropy of interval-valued fuzzy sets can be deduced by the interval-valued fuzzy sets’ normalized distance based on their axiomatic definitions. Some formulas have also been put forward to calculate the similarity measure, the inclusion measure, and the entropy of interval-valued fuzzy sets.     

区间犹豫模糊熵和区间犹豫模糊相似度

基于犹豫模糊熵的概念,提出了区间犹豫模糊熵和相似度的概念,同时研究了它们之间的相互关系。给出了区间犹豫模糊熵的公理化定义,在此基础上构造了两种形式的熵测度公式,并且证明了它们满足区间犹豫模糊熵的四条公理化准则;依据区间犹豫模糊熵引入了区间犹豫模糊加权熵的概念;提出了区间犹豫模糊相似度的概念,并且研究了区间犹豫模糊环境下的熵和相似度之间的关系。     

Interval-valued intuitionistic fuzzy cosine similarity measures for multiple attribute decision-making

In this work, considering all information carried by the membership degrees, nonmembership degree, and hesitancy degree in interval-valued intuitionistic fuzzy sets (IVIFSs) as 3-D vector representations, we propose a cosine similarity measure and a weighted cosine similarity measure for IVIFSs based on the extension of the cosine similarity measure (angular coefficient) between intuitionistic fuzzy sets in 2-D vector space. Then, the weighted cosine similarity measure for IVIFSs is applied to multiple attribute decision-making problems under the interval-valued intuitionistic fuzzy environment. Through the similarity measure between the ideal alternative and each alternative, the ranking order of all alternatives can be determined and the best alternative can be easily identified as well. Finally, two illustrative examples are given to demonstrate the applications and efficiency of the proposed decision-making method.     

基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了 FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.     

直觉区间值模糊集的熵、距离测度和相似测度

熵、距离测度和相似测度是模糊集理论中的三个基本概念.本文中,我们给出了直觉区间值模糊集的熵、距离测度和相似测度的公理化定义并讨论了它们之间的基本关系.有别于以往的交、并运算,我们提出了直觉区间值模糊集的加法、乘法运算,并在此基础上讨论了直觉区间值模糊集的熵、距离测度和相似测度的性质.     

区间复模糊软集的距离测度及其应用

基于区间复模糊软集的概念,定义了多种区间复模糊软集的距离测度公式,包含Hausdorff距离、Hamming距离、Euclidean距离、广义Hausdorff距离、广义Euclidean距离、广义加权Hausdorff距离、广义加权Euclidean距离、加权Hausdorff距离、加权Hamming距离、加权Euclidean距离。提出了除交、并、补运算外的区间复模糊软集的加法、乘法、部分隶属度和部分非隶属度运算以及距离测度之间的运算性质。基于区间复模糊软集距离测度构造了一种TOPSIS决策方法,并将这种决策方法应用于经济分析中,验证了所提方法的可行性。     

Vague集的相似度量及其在聚类分析中的应用

在智能系统的研究与开发中,聚类分析是一个非常重要的问题。提出了一个基于未知度和核的Vague集间的相似度量公式。在考虑算法自主性和计算复杂性的基础之上,通过参考Fuzzy集中的相关聚类分析方法,给出了一种以Vague集的相似度量为评价准则的直接聚类算法。使用相似度量公式,分别采用Vague 传递闭包法和Vague 直接聚类法进行计算,实验结果表明,基于Vague 相似度量的直接聚类法计算简单,不会造成原始信息的失真,而且对数据量的大小均无特别的要求,比Vague 传递闭包法更加有效。     

区间二型模糊相似度与包含度

相似度与包含度是模糊集合理论中的两个重要概念,但对于二型模糊集合的研究还较为少见．鉴于此,提出了新的区间二型模糊相似度与包含度．首先选择了二者的公理化定义;然后基于公理化定义提出了新的计算公式,并讨论了二者的相互转换关系;最后通过实例来验证二者的性能,并将区间二型模糊相似度与Yang-Shih聚类方法相结合,用于高斯区间二型模糊集合的聚类分析,得到了合理的层次聚类树．仿真实例表明新测度具有一定的实用价值．     

区间犹豫模糊三角相似度及其多属性群决策

构建了区间犹豫模糊三角相似度公式,并且研究了区间犹豫模糊环境下属性权重信息完全未知的多属性群决策方法。首先基于正弦三角函数构造了区间犹豫模糊三角相似度公式,并证明其满足区间犹豫模糊相似度公理化定义的四个条件;接着给出了区间犹豫模糊交叉熵的公理性定义,同时研究了区间犹豫模糊相似度和区间犹豫模糊交叉熵的关系;最后基于区间犹豫模糊三角相似度,提出了在属性权重信息完全未知条件下的区间犹豫模糊多属性群决策方法,并用实例验证该方法的可行性和有效性。