一种区间型数据的自适应模糊c均值聚类算法

针对区间型数据的聚类问题,提出一种自适应模糊c均值聚类算法。该算法一方面基于区间数的中点和半宽度,通过引入区间宽度的影响因子以控制区间大小对聚类结果的影响;另一方面通过引入一个自适应系数,以减少区间型数据的数据结构对聚类效果的影响。通过仿真数据和Fish真实数据验证了该算法的有效性,并对聚类结果进行比较和分析。     

基于两阶段聚类的模糊支持向量机

为了提高模糊支持向量机在大数据集上的训练效率,提出一种基于两阶段聚类的模糊支持向量机算法。第1阶段为粗粒度聚类阶段,在每类训练样本上执行密度聚类算法,设置较大的邻域半径(给定邻域内最小点数),保证可能成为支持向量的样本点都被选取;第2阶段为自适应聚类阶段,在粗选的数据集合上,执行自适应密度聚类算法,根据各个点距离分类面的远近,自适应决定该点的邻域半径(给定邻域内最小点数)。这样可有效地减少远离分类面的聚类边缘点的数量,同时在分类面附近保持较多的样本点,试验结果表明,基于两阶段聚类模糊支持向量机算法,相比以往的方法,不仅提高了模糊支持向量机的训练效率,同时保持了较好的分类效果。     

基于模糊C均值聚类的支持向量机

基于统计学理论的支持向量机是一种新的很有效的模式识别方法,但对于支持向量的选择还有困难,对此本文利用模糊C均值(FCM,Fuzzy C-Means)聚类,对训练样本进行预处理,大大减少了训练样本的数量,提高了支持向量机的训练速度。仿真实验的结果证实了该方法的可行性和有效性。     

基于数据间内在关联性的自适应模糊聚类模型

提出了一种新的模糊聚类模型(Fuzzy C-means clustering model, FCM), 称为自适应模糊聚类(Adaptive FCM, AFCM). 和现有的大多数模糊聚类方法不同的是, AFCM考虑了数据集中全体数据的内在关联性, 模型中引入了自适应度向量W和自适应指数p. 其中, W在迭代过程中是自适应的, p是一个给定参数. W和p共同作用调控聚类过程. AFCM同时输出三组参数: 模糊隶属度集U, 自适应度向量W, 以及聚类原型集V. 本文给出了两组数据实验验证AFCM的性能. 第1组实验验证AFCM的聚类性能, 以FCM为比较对象. 实验表明 AFCM可以得到更好的聚类质量, 而且通过合理选择自适应指数p, AFCM和FCM在时间复杂性上保持同一水平. 第2组实验检验了AFCM的离群点挖掘性能, 以目前常用的基于密度的LOF为比较对象. 实验表明AFCM算法具有极大的计算效率优势, 且AFCM得到的离群点是全局的, 反映的是离群点和整个数据集的关系, 离群点涵盖的信息也更丰富. 文章指出, AFCM在挖掘大数据集和实时数据中的离群点应用方面, 以及获得高质量的聚类结果的应用方面, 特别在聚类的同时需要挖掘离群点的应用方面具有独特的优势.     

基于核模糊聚类多模型LS-SVM背景预测的红外小目标检测

针对复杂背景中小目标的提取问题,提出了一种基于核模糊聚类多模型最小二乘支持向量机背景预测的红外小目标检测算法。首先,对训练样本用最近邻聚类法进行划分,获取聚类个数和初始聚类中心,并用核模糊C均值算法(KFCM)对聚类中心进行优化;其次,用LS-SVM计算模糊模型的回归参数,利用回归参数预测图像背景;之后,将原图像和预测图像相减得到残差图像;最后,依据最大类间绝对差选取阈值,从残差图像中分割出小目标。实验结果表明:文中算法相比传统基于模糊C均值(FCM)的小目标检测算法检测性能更优越。     

自适应模糊逻辑系统的聚类学习算法研究

基于模糊逻辑系统一般数学模型，利用最近邻聚类学习算法对样本数据进行自适应分组，并对系统进行训练，从而使模糊逻辑系统具有自学习功能。     

基于模糊核聚类的图像SVM分类辨识

提出一种结合特征场和模糊核聚类支持向量机的图像分类辨识方法。首先,构造符合人类视觉特性的图像彩色和纹理特征数据场,一方面,引入新阈值,建立图像纹理特征;另一方面,在图像彩色特征上,对能够引起注意的像素区域的像素点进行加权处理,并使用彩色空间分布离散度来描述彩色的空间分布。其次,采用模糊核聚类支持向量机对图像进行分类研究。在使用特征空间时,不仅考虑了样本与类中心间的关系,还考虑了类中各个样本间的关系,以模糊连接度来度量类中各个样本间的关系,并以二叉树方式构造子分类器。实验结果表明,该方法可以获得较好的图像分类效果。     

基于遗传算法的自适应文本模糊聚类研究

针对FCM聚类算法时初始聚类中心的选择敏感,以及聚类数C难以确定的问题,提出一种基于遗传算法的自适应文本模糊聚类方法.该方法首先将文档集合表示成向量空间模型,并采用一种新型的可变长染色体编码方案,随机选择文本向量作为初始聚类中心形成染色体,然后结合FCM算法的高效性和遗传算法的全局优化能力,通过遗传进化,有效地避免了局部最优解的出现,同时得到了优化的聚类数目和聚类结果.实验表明该算法是一种精确高效的文本聚类方法.     

Vectorized Radviz and its application to multiple cluster datasets

Radviz is a radial visualization with dimensions assigned to points called dimensional anchors (DAs) placed on the circumference of a circle. Records are assigned locations within the circle as a function of its relative attraction to each of the DAs. The DAs can be moved either interactively or algorithmically to reveal different meaningful patterns in the dataset. In this paper we describe Vectorized Radviz (VRV) which extends the number of dimensions through data flattening. We show how VRV increases the power of Radviz through these extra dimensions by enhancing the flexibility in the layout of the DAs. We apply VRV to the problem of analyzing the results of multiple clusterings of the same data set, called multiple cluster sets or cluster ensembles. We show how features of VRV help discern patterns across the multiple cluster sets. We use the Iris data set to explain VRV and a newt gene microarray data set used in studying limb regeneration to show its utility. We then discuss further applications of VRV.     

基于后悔理论的图模糊LINMAP多属性决策方法及应用

针对图模糊多属性决策方法基于未知属性权重且往往只考虑客观属性信息的不足,提出一种基于后悔理论的图模糊LINMAP多属性决策方法.首先,依据后悔理论的思想,定义图模糊后悔-欣喜函数,给出方案感知效用值的计算方法;然后,设计图模糊偏好信息集,用其表示属性间的相互影响关系,并提出方案对序列和决策者事先给定偏好信息的图模糊一致性程度和非一致性程度;接着,通过图模糊得分函数和精确度函数构建含有参数的目标函数,并设置图模糊阈值,使得非一致性程度最小化且一致性程度与非一致性程度差别至少不小于该图模糊阈值,据此建立新的优化模型,获得备选方案的属性权重向量和模糊理想点,进而利用感知效用值对备选方案进行排序择优;最后,通过算例分析验证所提出方法的合理性,并通过灵敏度分析和对比分析表明所提出方法的灵活性和优点.     

基于神经网络的自适应模糊控制系统

针对啤酒发酵过程中罐内温度控制问题,研究神经网络对模糊控制规则的优化方法,利用径向基函数神经网络对模糊控制规则进行优化,提高其自适应能力。以啤酒生产过程中主发酵阶段的数据作为输入样本,通过径向基函数神经网络进行学习训练,校正模糊控制规则,优化模糊控制器。优化前与优化后响应特性曲线的比较结果表明, RB F神经网络学习能力强,收敛速度快;模糊控制规则的完备性和一致性明显改善,控制器的响应速度快、超调量小、稳定性强、控制效果好。     

自适应径向基神经网络及其应用

提出一种基于硬C均值算法的自适应RBF神经网络。该算法根据网络训练误差的变化,在隐层到输出层的权值修改过程中,对学习步长进行自适应调节;对通常采用的基函数宽度的计算方法作了改进;对于硬C均值算法出现的死节点,则在程序运行中自动进行删除。利用该改进的自适应RBF网络进行某合成氨装置的氢氮比预测,网络计算误差小、收敛迅速、结果令人满意,表明网络具有良好的性能。     

基于GMM的多工况过程监测方法

传统基于主元分析的故障检测方法大多假设工业过程只运行在1个稳定工况,数据服从单一的高斯分布。若这些方法直接用于多工况过程则将会产生大量的误检。为此,本文提出了1种基于高斯混合模型的多工况过程监测方法。首先利用PCA变换对过程数据集进行降维,在主元空间建立高斯混合模型对过程数据进行聚类,自动获取工况数和相关分布特性。然后对每个工况建立主元分析(principal component analysis,PCA)模型来描述整个运行过程数据分布的统计特性。最后在过程监测中,根据监测样本属于各个工况的概率构造综合统计量,实现对多工况过程的故障检测。TE过程的仿真结果表明,本文提出的方法与传统的PCA方法相比,能自动获取工况和精确估计各个工况的统计特性,从而能更准确及时地检测出多工况过程的各种故障。     

基于测度递进的模糊认知图及其应用

模糊认知图(fuzzy cognitive map,FCM)具有简单的推理机制和较强的因果关系表达能力,已得到广泛关注和研究,但FCM对专家经验知识具有较强的依赖性,故而限制了在复杂动态系统建模中的应用.基于此,提出了一种测度递进策略的模糊认知图学习方法.利用线性回归算法,学习得到模糊认知图权重矩阵粗模型;将神经网络的权值调整算法应用于权重矩阵粗模型的细化过程,将该模糊认知图模型应用在股票市场,实现对股票日均值的预测.实验结果表明了该建模方式是有效的.     

一种基于模糊规则融合的模糊建模方法及其应用

为了有效地利用经验知识,弥补训练数据覆盖范围不足的问题,提出一种将经验知识以TSK (Takagi-Sugeno-Kang)型模糊规则引入模糊模型的建模方法.在结构辨识中,提出了模糊规则融合方法,用以确定初始模糊规则.在参数辨识中,改进了原梯度下降方法中的目标函数,并引入了经验知识准确性评价参数,用以平衡样本数据和经验知识对模型的影响.数值仿真和工程实例应用结果表明,所提出的方法可以有效地利用经验知识和样本数据,使预报结果更可靠、更精确.     

基于Sugeno型模糊推理算法的模糊控制器及其应用

介绍了Sugeno型模糊推理算法的基本原理,给出了一种实现方法,并对其控制性能进行了仿真.     

一种基于模糊切换的模糊复合控制器及其应用

基于线性控制器与模糊控制器的特点，通过使两者并行结合，提出一种模糊复合控制器的设计方法，谈模糊复合控制器采用模糊推理完成两组控制器的平稳“切换”，而且其中模糊控制器的比例因子的初始整定可由PID控制器的整定参数获得，从而简化了模糊控制器的设计。在某电厂300MW机组的实际应用结果表明，采用谈方法设计的过热蒸汽温度控制系统具有较强的适应能力和良好的控制效果。     

基于自适应模糊控制器的无线传感器网络功率控制

针对现有的无线传感器网络（WSN）功率控制方法存在的节点早死问题,提出一种考虑节点剩余能量的功率控制方法——SAFPC。首先,设计了具有"输入-输出-反馈"机制的两级模糊控制器系统模型,主控制器负责节点发射功率调节,从控制器负责期望节点度调节,自适应地根据网络中节点剩余能量来调节发射功率;然后,分别对主、从控制器的模糊化、模糊规则及解模糊过程进行了详细描述;最后,从网络收敛时间、平均能耗以及生命周期方面对SAFPC进行了仿真分析。实验结果表明,与模糊控制传输功率方法（FCTP）相比,SAFPC收敛速率快12.5%,在不同网络规模情况下节点平均能耗降低3.68%,网络生命周期延长7.9%。可见,SAFPC能有效延长网络生命周期,提高网络动态适应性及链路鲁棒性。