基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

基于粗糙集-神经网络的产业集群生命周期识别

将粗糙集理论与神经网络相结合,构建了基于粗糙集-径向基(RBF)神经网络集成的产业集群生命周期识别模型.该模型运用基于MDV(maximum discernibility value)函数与信息熵的模糊聚类算法进行连续属性离散化处理,采用粗糙集理论约简出重要指标体系,将训练样本输入RBF神经网络进行学习和训练,进而对检验样本的生命周期阶段进行判断.对我国138组产业集群样本数据的分析结果表明:基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果,且该模型对检验样本的总体预测精度达到82.61%,从而证实了该识别模型的有效性和实用性.     

自动调整样本和特征权值的模糊聚类算法

针对模糊c均值聚类算法对特征噪声和样本噪声较敏感的缺陷,依据特征和样本对聚类的不同影响,将特征权值和样本权值引入到模糊c均值聚类的目标函数,并获得了一个模糊聚类模型。利用拉格朗日方法对该模型求解,提出了样本和特征权值自动调整的模糊聚类算法;同时,将核策略引入到该模糊聚类模型,提出了样本和特征权值自动调整的核模糊聚类算法。实验结果表明该方法对含有特征噪声与样本噪声数据的聚类具有较好的处理能力,为特征提取与样本选取等问题提供了一种可行的途径。     

基于RFM的电信客户市场细分方法

提出电信企业客户消费的RFM模型,通过AHP法得到电信行业RFM指标的权重,并应用K-均值聚类法对客户进行分类.分析各类客户的客户等级,并结合指标权重对各类客户进行顾客终身价值比较分析.实证研究表明:本文所提出的模型和方法可以有效地对电信企业客户进行分类.     

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明：该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

基于模糊对向网络的非线性动态系统辨识新算法

以模糊对向网络为辨识模型,利用它所具有的模糊逻辑系统和神经网络两者的优点,在模糊C－均值聚类方法的基础上引入新的聚类目标函数,并证明了它的优化条件,将模糊聚类和最小二乘法相结合,提出一种模型参数学习的新算法,在直流电弧燃弧时间建模研究中的应用结果表明提出的算法是有效的。     

基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

基于中智模糊聚类的彩色图像鲁棒分割算法

为了提高噪声干扰彩色图像分割的鲁棒性,给出一种基于中智模糊聚类的彩色图像改进分割算法。将像素空间邻域信息嵌入现有的中智模糊C-均值聚类目标函数,利用马氏距离代替欧氏距离,度量中智模糊聚类中样本与聚类中心之间的差异程度,获得适合彩色图像分割的模糊聚类目标函数,并采用拉格朗日乘子法获取隶属度和聚类中心的迭代求解表达式。对彩色图像添加高斯噪声和椒盐噪声,图像分割测试结果表明,所给算法相比模糊C-均值聚类算法和基于马氏距离的中智模糊聚类算法有更强的鲁棒性。     

基于主成份分析的模糊聚类虫害预测模型研究

针对虫害预测的模糊性、相关性、多变量等特点,采用数据挖掘技术建立了基于主成分分析的模糊聚类虫害预测模型,并以玉米螟为例,对虫害进行了合理分类及预测.结果表明,在虫害预测指标多、数据间存在一定相关性的情况下,使用该模型对虫害进行预测能取得比较好的效果.     

采用信任度量的MANET网络分簇模型

为了解决信任模型的分层结构与物理分簇结构分离造成的移动自组网稳定性差、网络可生存时间短的问题,提出基于信任度量的网络分簇模型.在研究直觉模糊集距离测度的基础上,提出了在直觉模糊集理论下的信任度量方法.通过对簇结构的稳定性及能量消耗进行分析,以对HELLO消息进行扩展的形式,提出了基于信任度的簇结构生成算法.仿真实验结果表明,该模型在簇首变化率、簇成员能量消耗与移动自组网络可生存时间方面具有一定的优势.     

二型模糊系统在音频信号分类中的应用

针对数字音频信号分类问题提出了基于二型模糊集合理论的C均值聚类算法,并在此基础上应用跳跃基因遗传算法对聚类得到的初始模糊模型进行优化,最后采用向量相似性测度准则对优化后的模糊规则集合进行简化,得到最终的模糊分类器模型。与传统的一型模糊集合相比,二型模糊集合可以掌控更多的不确定性信息。基于二型模糊集合理论的C均值聚类算法对样本分布不均匀、结构不规则的样本集的聚类效果更精确。实例仿真结果对比显示,应用二型模糊C均值聚类算法的音频信号分类器比应用一型模糊C均值聚类算法的分类器得到的分类结果更准确。     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

面向有源配电网的DG与网架日前综合调度

为在日前时间尺度上解决有源配电网优化调度问题,实现网架结构与分布式电源(distributed generation,DG)出力的协调调度,采用改进模糊聚类分析对负荷-DG等值负荷曲线进行时段划分,根据DG出力优化值对分段结果进行动态调整;采用机会约束方法处理不可调度DG随机出力问题,采用二层规划模型处理网架结构与DG有功出力协调问题,建立日前协调调度模型.实验结果表明:网络重构与可调度DG的出力调整相互影响.调度DG出力能减少开关动作次数,延长开关设备的寿命;网络重构能增加DG的渗透率,提高能源利用效率,增强配电网消纳DG的能力.所提出的方法能够有效应对负荷变化,在提高配电公司经济效益的基础上,实现配电网资产与DG资源的综合利用.     

基于熵权的模糊聚类模型在洪水分类中的应用

在分析传统洪水分类方法不足的基础上,将基于熵权的模糊聚类模型应用于洪水分类问题中.运用熵权的方法确定分类指标的权重,并利用模糊聚类模型得出历史洪水样本的自然分类.实例表明：该方法不但计算简单,克服了重赋值的人为干扰,而且直接由历史洪水样本数据来驱动,不需预先给出不同洪水类型所对应的洪水要素的分类指标值,有较高的应用价值.     

基于模糊聚类建立模糊模型的新方法

为了实现自动建立Mamdani模糊模型,提出了一种基于局部数据密度的新方法.该方法采用局部近似隶属函数的模糊聚类算法对数据进行学习,从而挖掘出潜在的模糊规则集和隶属函数的参数,实现自动建立Mamdani模糊模型.在聚类时,不需要事先指定类的数目,确定类中心的同时能自动识别噪声,因此在建模时不需要做额外的去噪声处理.使用该方法对交通信息预测进行了仿真实验,结果表明本文提出的模糊建模方法行之有效.     

双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射( SOM)神经网络和模糊c-均值( FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类。第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析。