基于特征选择和协同模糊聚类的模糊建模研究

为了提高模糊模型辨识效率,提出了一种新的模糊模型建摸方法,该方法由两步组成：（1）采用基于特征相似性的特征选择方法,去除原始数据的冗余;（2）利用协同模糊聚类与G-K相结合的算法初始化模糊模型,使其前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类,模型参数得到改善,提高了模糊模型辨识的效率。模糊建模的实验结果表明了该方法的有效性。     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

基于蚁群聚类算法的非线性系统辨识

基于T-S模型提出一种非线性系统的模型辨识方法.利用蚁群聚类算法进行结构辨识,确定系统的模糊空间和模糊规则数.在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现了参数辨识.仿真结果验证了所提出方法的有效性,表明该方法能够实现非线性系统的辨识,而且辨识精度较高.     

模糊聚类神经网络的非对称学习算法

通过仿真和分析表明模糊聚类神经网络原有学习算法FCNN的局限性,如初值敏感性、吸引域不灵活和稳定点不合理等;指出造成上述局限的原因主要在于算法的对称性和权值向量的修正缺乏协同。为此,通过在网络模型中引入层内反馈、在算法中引入加速项,消除了算法的对称性并使权值向量的修正具有一定的协同性;通过改进算法结构,消除了小尺度振荡现象并使算法的稳定点趋于合理。计算机仿真结果表明改进后的非对称学习算法AFC可以有效克服原有算法的不足并具有较高的收敛速度。     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

一种新聚类算法在模糊神经网络中的应用

本文介绍一种新的聚类方法，不需预先知道聚类数目，通过迭代运算使训练样本收敛 到聚类中心，进而实现对样本的聚类，并给出了算法的理论证明．将该算法应用到模糊神经 网络中去，根据聚类结果建立一阶TSK模糊神经网络，然后使用混合算法训练网络参数，分 别用梯度下降法调整前提参数，递推最小二乘法调整结论参数．最后，列举实例证明该算法 的有效性．     

基于模糊聚类的关联规则优化算法

关联规则一直都是数据挖掘的热点.近些年模糊关联规则的出现是为了解决应用传统算法挖掘数量型数据集时出现的"边界问题".本文提出先用模糊聚类的方法映射数据集,在搜索模糊频繁项集时采用升维与降维相结合的方式.     

模糊聚类辨识算法

采用模糊输入聚类算法来辨识系统的模型,通过两个模糊聚类准则函数求得聚类中心和模糊规则数,然后求出各个子窨支态模型,再用隶属函数光滑地把他们连接成一个全局动态模糊模型,这种模型可以转化成状态空间模型,从而进行控制器的设计和稳定性分析。     

一种区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布,在此基础上提出了一种区域型模糊聚类算法———re-gionalfuzzyclusteringalgorithm。仿真结果表明该算法有比常用的模糊C均值更好的聚类性能。     

一种基于模糊聚类的组合BP网络挖掘方法

介绍了一种基于模糊聚类的组合BP神经网络的数据挖掘方法,并给出了该方法的模型和启发式BP改进算法Heuristicbp,且将其应用于数学函数值预测中,取得了学习时间短和预测精度高的效果,实验证明该方法是有效的,具有较高的实用性。     

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络（FCNN）,并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.     

基于LSFD算法的小波模糊神经网络的研究与应用

利用小波变换的多分辨率特性构造小波模糊神经网络模型,并应用在非线性系统的辨识上.在参数学习上,给出了模糊微分与李亚普诺夫稳定相结合的新算法—LSFD算法,并与梯度下降法进行了对比.通过仿真,结果表明小波模糊神经网络模型与模糊神经网络、模糊小波神经网络、小波神经网络和神经网络等模型相比,其性能指标最小,收敛速度更快,更加准确.     

基于聚类和SVD算法的解释性模糊建模方法

提出了一种基于减法聚类算法构造解释性模糊模型的方法。首先指出模糊模型解释性的重要地位,分析影响解释性的主要因素;然后利用减法聚类算法辨识初始模糊模型,SVD算法和集合非冗余度约简初始模糊模型,从而提高其解释性;最后采用约束优化算法整体优化模型,提高其精度。PH值中和过程的模糊建模验证了该方法的有效性。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。     

基于新相似度的模糊协同聚类改进算法

提出一种优化传统协同聚类中模糊点类别归属的改进算法,该算法引入基于清晰半径的新相似性距离公式,用超球体中心区域代替传统算法中的类中心,在各子集初始聚类结果的基础上,对容易导致类别归属错误的模糊点重新计算隶属度,得到较为清晰的聚类结果。实验结果显示,改进算法能很大程度地减少边界上的模糊点个数及纠正分类错误,清晰半径的引入还能弱化各子集之间协同系数的差异,使得参数设置更为简单。     

基于模糊C-均值聚类算法的DDoS攻击检测与仿真

提出一种新的、基于模糊C均值聚类理论的分布式拒绝服务攻击检测方法.该方法根据分布式拒绝服务的攻击特征,利用模糊C-均值聚类方法(Fuzzy C-Means Clustering Algorithm, FCM)对分布式拒绝服务攻击中的网络连接数据进行分析,从而发现异常网络的行为模式,并检测DDoS攻击.实验结果显示,该检测方法能够有效检测DDoS攻击,具有较低的误报率,并能实现对攻击的实时检测.     

基于犹豫模糊语言术语集的正交模糊聚类算法

犹豫模糊语言术语集（Hesitance Fuzzy Linguistic Term Sets,HFLTSs）允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的问题,提出了一种新的正交模糊聚类算法：首先计算样本之间的距离测度得到距离测度矩阵,接着计算其等价矩阵;然后确定置信水平值,通过置信水平值对等价矩阵进行切割;最后根据切割矩阵的列向量之间的正交关系来确定对应样本是否可以放在同一个类别,以此得到聚类结果.该算法步骤简单,计算复杂度低,并且适合于数据量大的模糊聚类问题.本文末尾将通过一个实例结合k-means聚类算法证明该算法的可行性和高效性.     

基于统计检验的模糊聚类神经网络

针对模糊聚类神经网络FCNN原有学习算法对初值敏感性、吸引域不灵活和稳定点不合理等局限性。本文提出基于统计检验的模糊聚类神经网络FCNN-ST。通过引入T平方抽样的单峰分布模式统计检验逐步调整网络结构。确定最佳聚类数c。并使算法的稳定点趋于合理的聚类中心。仿真结果表明。FCNN-ST具有较好的鲁棒性。