基于模糊聚类方法的神经元形态分类识别

神经元形态分类识别是"人类脑计划"研究首要解决的问题。神经元真实形态复杂多样,利用物理观察和日常经验无法进行分类识别,传统的分类识别算法难以解决形态相似的神经元分类识别的误判现象。针对神经元形态分类误判与类别重叠问题,提出神经元几何形态特征提取方法,设计神经元形态特征自由分类模型,从而为神经元的精确分类、有效识别与新型命名提供方法支持和实践参考。实验结果表明,该分类模型具有较高的运行效率和聚类精度,较好地解决了分类误判和类别重叠问题。     

神经元形态分类和识别方法的研究

以数学建模的方式对神经元的形态分类进行了研究.首先通过神经元的几何模型数据,得到一系列刻画神经元空间形态的特征参数;然后根据特征参数建立特征参数的主成分分析数学模型,提取了神经元的综合形态特征;最后依据综合形态特征,提出了一种基于系统聚类分析法和贝叶斯判别法的神经元空间形态分类算法.实验结果验证了该分类算法的正确性.     

三维神经元几何形态生成算法研究进展

神经元是神经系统的基本构建和计算单元,神经元几何形态的计算模型对理解大脑的结构功能关系及信息处理极其重要。在总结和分析各种三维神经元几何形态生成算法的基础上,给出三维神经元几何形态生成算法的计算框架。根据神经元几何形态生成机制的不同,将生成算法分为基于统计分析的重建算法、基于文法规则的生成算法和基于生物发育的生长算法3类,并重点比较和分析现有生成算法的优缺点。     

基于模糊聚类的小波变换图像去噪算法改进

介绍一种改进的较优的基于模糊聚类的小波变换图像去噪算法.首先分析了模糊C均值聚类算法中加权指数m的重要性,采用基于模糊决策的方法,分别构造模糊目标和模糊约束,由模糊目标和模糊约束的交集来共同确定最优的加权指数m以获取较为理想的聚类分类结果.再利用该种加权模糊聚类算法把小波系数划分成包含信号与只包含噪声的小波系数两类,将只包含噪声的小波系数置为零,将包含信号的小波系数利用软阈值法进行收缩,最后对处理后的系数根据M带小波变换的局部时频分析能力及其良好的信噪分离能力进行M带小波变换,得到去噪效果较好的图像.     

基于CloudSim的分类负载均衡调度模型

针对传统的集群调度模型效率低下不足以满足用户需求的问题,本文提出一种基于模糊聚类的分类负载均衡调度模型。首先,构建任务请求的指标体系以完成数学模型的建立;接着,采用基于模糊C均值聚类算法的改进算法对请求分类,即用改进的最小支撑树算法获取初始中心,有效性测度获取其分类个数,BP神经网络算法提高其学习能力;然后,采用两次分类的方法对服务器分类,预聚类对服务器进行功能预聚类,模糊关联聚类按处理负载能力对其分类;最后将分类调度模型在CloudSim下仿真实验,通过对比其他调度算法得到分类调度模型更具适应性和高效性,具有工程指导意义。     

基于改进模糊聚类算法的路面裂纹图像分割

图像分割是路面裂纹识别的关键步骤,图像分割的效果直接影响路面裂纹的识别和分类。针对路面图像模糊核均值聚类算法中迭代结果容易出现局部最优的问题。提出一种改进的模糊核均值聚类算法,利用OTSU算法先获得最佳阈值,再通过该阈值得到各聚类的灰度均值,将这些均值作为聚类中心的初始值以实现模糊聚类算法。路面图像裂纹分割试验结果证明,提出的改进算法实现初始聚类中心的优化,避免算法出现局部最优,提高了分割效果,可以应用到路面裂纹图像分割的工程应用中。     

基于模糊聚类的PWA系统的模型辨识

针对一类分段仿射结构的离散时间混杂系统，其模型辨识可等价成对系统数据的分类、分类边界的优化及分类数据的线性回归问题.利用改进的G-K 模糊聚类算法，克服聚类迭代过程出现的非数值解问题；以综合性能指标最优确定最佳的子模型个数，从而获得最佳的分类数据; 以隶属度为权值，采用加权最小二乘算法提高子模型辨识精度；通过聚类中心最短法则确定两两相邻的子数据集，利用支持向量机思想，构造出一个标准的二次规划问题，得到凸多面体的方程系数. 仿真结果验证了该方法的有效性和实用性.     

基于直觉模糊包含度的聚类有效性分析

针对直觉模糊集合数据的聚类有效性问题,提出了一种基于直觉模糊包含度的聚类有效性分析方法。该方法采用直觉模糊包含度和直觉模糊划分熵来评价直觉模糊聚类的有效性。其中,直觉模糊包含度通过增加非隶属度参数对模糊包含度进行直觉化扩展,用于评价类与类间包含的程度;而直觉模糊划分熵用于检验分类结果的可靠性。最后通过典型实例验证了该方法的有效性。     

结合多目标优化算法的模糊聚类有效性指标及应用

模糊聚类方法可以更有效地对复杂数据集进行分析,由于模糊聚类算法的种类繁多且聚类结果会随着输入的聚类个数的不同而改变,使得模糊聚类算法产生的结果不准确,因此,要获得准确的聚类结果必须确定模糊聚类个数k.目前已有的研究主要是利用多种模糊聚类有效性指标来确定最优聚类个数k,但是诸如SSD,PBM等模糊聚类指标会随着划分的聚类个数k的增加而单调递减,导致聚类个数k不准确.为此,文中提出了一种结合多目标优化算法的模糊聚类有效性指标(A Validity Index of Fuzzy Clustering Combined with Multi-obj ective Optimization Algorithm,OSACF),将模糊聚类度量指标与多目标优化算法(Multi-Obj ective Optimization Algorithm,MOEA)相结合来解决聚类最优个数k的问题.与使用聚类有效性指标不同,OSACF通过建立聚类个数k与聚类度量指标之间的双目标模型并使用MOEA优化该双目标模型来确定最优聚类个数k,避免了聚类有效性指标趋于单调递减的影响.另一方面,OSACF使用形态形似距离替代传统的欧氏距离度量,避免了聚类形状对计算聚类k值的影响.实验结果表明,OSACF结合MOEA得到的最优模糊聚类个数k比已有的聚类有效性指标获得的结果更准确.     

基于改进FCM聚类算法的违禁品分类

针对被动毫米波(PMMW)图像成像质量差,边界模糊,不易识别的特点,在传统词袋模型图像分类的基础上,提出了利用减法聚类改进FCM聚类算法并将其运用到词袋模型上去,提取视觉单词,利用局部不变量SIFT方法对手枪、匕首和炸药进行了粗分类.实验结果证明,改进的词袋模型能够准确的对违禁品进行分类,识别率平均能达到90%以上,性能优于传统的K均值聚类和原始的FCM聚类算法.     

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统，该系统采用两级聚类算法（改进的最近邻域聚类算法和Gustafson-Kessel模糊聚类算法）对输入／输出数据进行模糊聚类，并由模糊聚类的划分熵确定最优划分，建立模糊模型，模型精度可由梯度下降法进一步提高。仿真结果表明，这种神经模糊系统具有结构简单、规则数少、学习速度快以及建模精度高等特点。     

基于层次分析法的模糊分类优选模型

不同的模糊分类算法在同一个数据集合上常会产生不同的模糊分类．究竟哪种方法最能揭示数据的真实结构，对此，以模糊分类有效性指标为评价指标，应用层次分析法对各模糊分类进行综合评价，建立了一个模糊分类优选模型．大量实验表明，该优选模型所选出的最优模糊分类，其模式识别率高，能揭示数据的真实结构．     

面向云数据安全存储的分段融合模糊聚类算法

为了提高云数据的安全存储性能,需要对数据进行优化属性聚类归集。针对传统方法采用模糊C均值聚类进行云数据存储归类设计具有对初始聚类中心敏感、容易陷入局部收敛的问题,提出一种基于分段融合模糊聚类的云数据安全存储模型构建方法。建立云数据安全存储的网格分布结构模型并进行数据结构分析,进行云数据属性集的向量量化特征分解,对海量的云存储数据流采用分段匹配检测方法进行特征压缩,实现冗余数据自适应归集合并,挖掘云数据信息流的高阶谱特征。在模糊C均值聚类算法的基础上采用分段数据融合进行数据分簇模糊聚类,提高数据存储的安全性,同时降低云数据存储的负荷。仿真结果表明,采用该方法进行云数据聚类和优化存储设计,能降低数据聚类的误分率,提高云数据存储的吞吐量,确保云数据的安全存储。     

具有强解释性的贝叶斯MA型模糊系统

提出用于规则前件学习的中心点交叉涌现的大间隔贝叶斯模糊聚类(CECLM-BFC)算法.考虑不同样本间聚类中心的排斥作用使得聚类中心间距最大化,并采用粒子滤波方法在不同类别样本中交替执行,自动求解出最优聚类结果,包括聚类数、模糊隶属度和聚类中心.在模糊规则后件参数学习上使用分类面大间隔的策略,以MA型模糊系统为研究对象构造具有强解释性的贝叶斯MA型模糊系统(BMA-FS).实验结果表明,BMA-FS能够取得令人满意的分类性能,且模糊规则具有高度的解释性.     

基于协同进化算法的高维模糊分类系统的设计

基于协同进化算法,提出一种高维模糊分类系统的设计方法．首先定义系统的精确性指标,给出解释性的必要条件,利用聚类算法辨识初始模型．相互协作的3类种群分别代表系统的特征变量、规则前件和模型隶属函数的参数,适应度函数采用3类种群合作计算的策略,在算法运行中利用基于相似性的模型简化技术约简模糊系统,最后利用该方法对Wine问题进行研究．仿真结果表明该方法能够对高维分类问题的特征变量进行选择,同时利用较少规则和模糊集合数达到较高的识别率．     

Parameter identification of PWARX models using fuzzy distance weighted least squares method

PieceWise AutoRegressive eXogenous (PWARX) models represent one of the broad classes of the hybrid dynamical systems (HDS). Among many classes of HDS, PWARX model used as an attractive modeling structure due to its equivalence to other classes. This paper presents a novel fuzzy distance weight matrix based parameter identification method for PWARX model. In the first phase of the proposed method estimation for the number of affine submodels present in the HDS is proposed using fuzzy clustering validation based algorithm. For the given set of input–output data points generated by predefined PWARX model fuzzy c-means (FCM) clustering procedure is used to classify the data set according to its affine submodels. The fuzzy distance weight matrix based weighted least squares (WLS) algorithm is proposed to identify the parameters for each PWARX submodel, which minimizes the effect of noise and classification error. In the final phase, fuzzy validity function based model selection method is applied to validate the identified PWARX model. The effectiveness of the proposed method is demonstrated using three benchmark examples. Simulation experiments show validation of the proposed method.     

Fuzzy clustering to estimate the parameters of block mixture models

Finite mixture models are being increasingly used to provide model-based cluster analysis. To tackle the problem of block clustering which aims to organize the data into homogeneous blocks, recently we have proposed a block mixture model; we have considered this model under the classification maximum likelihood approach and we have developed a new algorithm for simultaneous partitioning based on the classification EM algorithm. From the estimation point of view, classification maximum likelihood approach yields inconsistent estimates of the parameters and in this paper we consider the block clustering problem under the maximum likelihood approach; unfortunately, the application of the classical EM algorithm for the block mixture model is not direct: difficulties arise due to the dependence structure in the model and approximations are required. Considering the block clustering problem under a fuzzy approach, we propose a fuzzy block clustering algorithm to approximate the EM algorithm. To illustrate our approach, we study the case of binary data by using a Bernoulli block mixture.     

检验双重性质特征的基因模糊聚类分析方法

针对基因序列分类的特点,结合模糊聚类分析方法,在原来的Markov链模型基因聚类方法的基础上,引入核酸碱基对的相互作用,得到具有双重性质特征的距离矩阵,并根据模糊聚类分析方法得到模糊相似性矩阵和其动态聚类图,从而实现基因序列的分类。通过对包括人类16个物种的16条p53基因序列进行模糊聚类得出,物种关系越相近,更容易聚成一类。此外,还检验双重性质的矩阵方法与原来的单一性质方法作聚类结果对比,发现具有双重性质的方法更准确。     

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。     

基于目标函数的模糊模型一体化建模

基于模糊集合的模糊模型, 利用模糊推理规则描述复杂、病态、非线性系统是一种有效方法. 本文提出了利用目标函数确定非线性系统的结构和参数的方法. 首先, 通过Gustafson-Kessel(GK)模糊聚类确定模型结构. 然后, 通过目标函数与参数估计一起进行递推计算, 进而实现对模糊模型结构简化, 删除冗余规则. 结构确定过程中采用了UD矩阵分解方法, 大大降低了计算量. 仿真结果证明了提出方法的有效性.