二型模糊系统的规则提取算法

模糊规则提取是建立二型模糊系统需要解决的关键问题.提出一种改进的基于c均值模糊聚类算法(FCM)的二型模糊规则提取方法.该方法借助于二型模糊集主隶属度函数的期望与次隶属度函数值之间的联系,能克服已有算法忽略二型模糊集次隶属度函数对模糊聚类结果的影响.仿真实例表明.该算法能成功地提取二型模糊规则,比FCMV算法具有更好的性能和收敛性.     

一种改进隶属度函数的FCM聚类算法

传统模糊??-均值(FCM) 算法要求一个样本对于各个聚类的隶属度之和满足归一化条件, 从而导致算法对噪声和孤立点敏感, 对非均衡分布样本的聚类有效性降低. 针对该问题, 提出一种改进模糊隶属函数约束的FCM聚类算法, 通过放松归一化条件, 推导出新的隶属度划分公式, 并在聚类过程中不断进行隶属度修正, 从而达到消除噪声样本、提高聚类有效性的目的. 最后通过实验结果对比验证了改进算法的正确性.

     

改进的半监督模糊聚类算法

针对Ｇｒｉｒａ等近期提出的利用点对约束的半监督模糊聚类算法,其约束项与竞争聚类算法（ＣＡ）的目标函数之间数量级不一致,造成隶属度调整过度的问题,在重新定义目标函数的基础上提出一种改进算法,约束惩罚函数采用约束点对中两个样本新的联合表达式,使数量级与经典模糊聚类算法一致．实验结果显示,新算法的约束项与ＣＡ目标函数之间能很好地协调合作,并能通过对模糊隶属度的适度调整,实现更准确的聚类．

     

鲁棒区间类型2可能性C均值聚类

提出了一种鲁棒区间类型2可能性C 均值(IT2PCM)聚类规则,其实质是采用交替迭代结构进行聚类的交替类估计,但隶属度函数通过区间类型2模糊集合来选择,在提出的方法中,类原型的更新方程通过将降型与解模糊相结合的形式来计算,在鲁棒统计的框架下,通过φ函数的分析指出这种更新方程对类内不确定的模式以及野点具有鲁棒性.最后,与现有的鲁棒聚类规则进行比较,仿真结果说明了IT2PCM良好的鲁棒性.

     

基于模糊一类支持向量机的核聚类算法

引进模糊概念替代距离拒绝尺度,定义具有支持向量特性的模糊隶属度函数,以描述训练点隶属于聚类集的程度.惩罚了边缘点对聚类中心的贡献权重,从而抑制了聚类中心的偏移,在避免复杂的参数搜索过程的同时,保证了算法的鲁棒性能.仿真结果表明,在相同初始条件下,改进算法较原算法对不规则分布数据的处理效率更高.

     

基于最小二乘拟合的模糊隶属函数构建方法

针对当前模糊隶属函数构造方法中存在的问题,提出一种构造模糊隶属函数方法. 采用最小二乘法拟合离散数据来获得隶属函数.为减小拟合误差,采用了3 项措施以达到预期目标. 所构建的隶属函数,对任意输入物理量可直接得到其对应模糊语言变量的隶属度,从而有效避免专家指定隶属度的主观臆断性及不一致性. 该方法简单,求解精度高,具有广泛适用性和较强的应用价值. 仿真结果证实了该方法的有效性.

     

基于自相关函数的模糊时间序列优化算法

针对模糊时间序列模型中模糊推理规则的优化问题, 提出一种时间序列的自相关理论与模糊时间序列相结合的算法. 首先考查数据平稳化; 然后运用传统的数据模糊化方法得到模糊集, 进而建立模糊规则, 并运用自相关函数理论对模糊规则进行优化; 最后通过对Alabama 大学注册人数的预测验证了所提出算法的有效性.

     

一类新的粒子群算法

提出一种新的模糊粒子群优化算法---收敛模糊粒子群优化算法.重点研究了收敛因子的确定和模糊隶属度函数的选择对算法性能的影响.在考虑计算效率的同时,提高了算法的精度.利用4个基准函数测试了收敛模糊粒子群优化算法的性能,并与模糊粒子群优化算法$收敛粒子群优化算法以及基本粒子群优化算法进行了对比.实验结果表明#新算法具有很好的性能.

     

基于混合蛙跳与阴影集优化的粗糙模糊聚类算法

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题, 提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM). 通过设置自适应调节因子, 以增加混合蛙跳算法的局部搜索能力; 利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数; 采用阴影集自适应获取类簇阈值. 实验结果表明, SFLA-SRFCM 算法是有效的, 并且具有更好的聚类精度和有效性指标.

     

直觉模糊集隶属度与非隶属度函数的确定方法

基于证据理论研究直觉模糊集隶属度和非隶属度函数的确定问题是一种新的思路.首先分析信任函数,似然函数与隶属度函数,非隶属度函数的互通性;然后给出广义基本概率分配(BPA)函数,广义信任函数和广义似然函数的定义;最后在这3个改进定义的基础上建立直觉模糊集隶属度函数,非隶属度函数模型,通过证明和实例验证了模型的正确性和有效性.

     

广义模糊熵阈值法中基于粒子群优化的参数选取

!针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阈值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.

     

一种基于改进客观聚类分析的模糊辨识方法

针对模糊辨识中采用迭代和人为决策法确定模糊规则数时易受噪声和人为因素的影响,而导致算法鲁棒性较差和计算量较高的问题,提出一种基于改进客观聚类分析的模糊辨识方法.首先引入并改进了客观聚类分析法,克服了迭代导致的规则数冗余,降低了人为因素对聚类结果的影响,从而减小了计算量并提高了鲁棒性;然后结合模糊聚类和稳态卡尔曼滤波法,分别辨识了前提和结论参数;最后通过Box-Jenkins仿真实例验证了所提方法的有效性.

     

增强型区间二型FCM算法

不确定性存在于图像处理、模式识别等众多领域的实际应用中, 模糊?? 均值聚类(FCM) 算法虽广泛应用于这些领域, 但其处理不确定性的能力较差. 引入区间二型模糊理论能有效提升算法处理不确定性的能力, 但相应地造成算法复杂度增加, 制约了区间二型FCM算法的推广应用. 鉴于此, 提出增强型区间二型FCM算法, 通过优化初始聚类中心和降型运算, 极大地减少了区间二型FCM算法的运算量, 并提升算法的收敛速度. 通过对随机和实际数据的实验比较验证了改进算法的有效性.

     

基于递阶分解聚类的非线性系统递推模糊辨识

提出一种基于递阶分解聚类的递推模糊辨识方法．采用半模糊化方法对论域内的样本进行归类,根据各子集“线性化”程度评判模糊聚类的有效性,通过对性能最差的子集进行分解并辨识新增子模型的参数,逐步完成整个样本空间的模糊划分和模型辨识过程．在线辨识时采用递推最小二乘算法对模糊规则进行修正,同时可根据建模精度的要求删除性能最差的规则,并确立新模糊规则．仿真研究表明了该方法的有效性．

     

基于TD-TP-growth的模糊关联规则挖掘算法

提出一种基于ＴＤ-ＦＰ-ｇｒｏｗｔｈ的模糊关联规则挖掘算法．首先,使用３种t-模算子以及由其产生的蕴涵算子计算模糊频繁项的支持度和规则的蕴涵度,产生的关联规则能表示模糊项间的确定性和渐近性逻辑语义;然后,以事务的惟一标识为键值,散列存储每个事务相对ＦＰ-ｔｒｅｅ中每个结点所表示模糊项的隶属度,使ＴＤ-ＦＰ-ｇｒｏｗｔｈ适用于模糊频繁项的挖掘,并分析了算法的时间和空间复杂度;最后,实验结果表明该算法比基于ａｐｒｉｏｒｉ的模糊频繁项挖掘算法在时间方面更加有效．

     

多尺度模糊加权角点检测新算法研究

为了提高图像角点检测的准确度和降低噪声对检测效果的影响,将多尺度思想和模糊理论引入到角点检测过程中,在建立了像素点属于角点的隶属度函数的基础上提出一种多尺度模糊加权角点检测新算法.首先将原始图像使用高斯核函数进行变换生成一组响应图像,并将其进行加权叠加得到原始图像的平均角点响应值;再选取合适的阈值进行相关处理得到最终的角点.实验结果表明,该算法不但抗噪性能较好,而且提取出来的角点也较准确.

     

基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.

     

优势模糊粗糙模型及其在审计风险评估中的应用

针对模糊信息系统,建立基于优势关系的粗糙集模型,并给出该模型的多种知识约简定义.通过构造分辨函数,得到了求解优势模糊粗糙集模型的最大分布约简算法.最后将该模型应用于审计风险评估,得到了较为合理的评估规则.

     

基于区间直觉模糊集的多准则决策方法

研究基于区间直觉模糊集的多准则决策方法．首先定义了区间直觉模糊点算子,并讨论了其性质;然后对区间直觉模糊集定义了一系列得分函数,并给出两种基于区间直觉模糊集的多准则决策方法．将该方法应用于区间直觉模糊集多准则决策问题,所得结果推广了有关直觉模糊集的相关结果．

     

基于增广输入变量的T-S 模糊模型建模

针对现有T-S 模糊模型建模精度与计算效率之间的矛盾, 提出一种利用增广输入变量进行T-S 模糊模型建模的方法. 对输入变量进行多项式增广处理后, 以核模糊?? 均值聚类算法配合聚类评价指标自适应获得最佳聚类数及相应的模糊划分, 并通过递推最小二乘计算得出T-S 模糊模型的后件参数. 提出可利用后件参数反推断前件结构的方法来快速有效地确定前件结构. 最后通过仿真验证了上述方法的有效性.