基于二次仿射传播聚类的非线性系统多模型LSSVM建模

针对复杂非线性系统单模型建模存在计算量大和精度差的问题,提出一种采用仿射传播聚类的多模型LSSVM建模方法,通过仿射传播聚类对样本数据按输入集和输出集二次聚类划分,并分别建立LSSVM子模型,非线性系统模型通过子模型加权合成.将该方法应用于两电机变频调速系统的张力和速度模型辨识,仿真结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性.     

基于仿射传播聚类的自适应数据空间划分及发酵过程高斯混合回归软测量模型建模（英文）

由于发酵过程存在多相和多模态特性,不满足高斯分布假设,使得传统软测量模型预测精度较低。基于高斯混合回归(GMR)的软测量模型能够很好的解决这个问题。然而,在确定混合高斯元数目上存在难度并且尚未得到解决。在本研究中,仿射传播聚类算法(AP)及其改进方法—自适应仿射传播聚类算法(ad AP)因其具有对数据空间进行自动划分的能力,被首次应用到基于高斯混合回归软测量建模数据预处理中。通过青霉素发酵过程仿真实验表明,仿射传播聚类方法和自适应仿射传播聚类方法都适用于高斯混合回归建模,但是后者对应软测量模型预测效果更好。     

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.     

基于仿射传播聚类的局部TDGPR的自适应软测量建模

为了提高传统时间差分模型的可靠性,同时考虑过程的多阶段、非线性和变量漂移等问题,基于仿射传播聚类和时间差分高斯过程回归(TDGPR),提出一种新的自适应软测量建模方法。首先,采用仿射传播聚类分析得到过程的不同操作阶段;然后,针对各个操作阶段,建立相应的局部TDGPR软测量子模型;最后,基于局部模型后验概率进行加权融合,以得到全局预测结果。通过对硫回收过程的数据仿真研究,验证了改进算法的可行性和有效性。     

污水处理过程聚类多模型建模与应用

针对污水生化处理过程单模型建模存在计算量大和精度差等的问题,提出一种改进的有监督的k-means聚类算法的ARX多模型建模方法。该方法引A．CCIA算法初始化聚类中心的思想,对样本数据进行聚类及二次聚类划分,并对各类数据分别建立ARX子模型,系统模型通过子模型加权合成。将该方法应用于污水处理过程中氨氮浓度模型辨识,仿真结果和实际污水处理厂实践结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性。     

基于AP的LS-SVM多模型建模算法

针对多工况对象的单模型建模中存在的回归精度差和泛化能力弱的问题,提出基于仿射传播聚类的LS-SVM多模型建模方法。该方法用仿射传播聚类算法对样本进行聚类,采用LS-SVM的方法对子类样本分别建立模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。将该建模方法用在丙烯浓度的软测量建模实验中,结果表明该方法有较高的回归精度和较好的泛化能力。     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

改进仿射传播聚类的LS-SVM多模型建模方法

多模型建模方法通常比单一模型建模方法适用范围更广、效果更佳,但也存在着因模型选择失当而导致发生错误,为解决该问题,提出了一种新的建模方法。该方法先用仿射传播聚类算法实现数据聚类,并由最小二乘支持向量机建立各子模型。多模型预测时需知道待测样本对子模型的归属情况,则采用K近邻算法并结合隶属度阈值来进行判断。当待测样本对某子模型的隶属度大于阈值时,就由该子模型进行预测:若对所有子模型的隶属度均小于阈值时,则由K近邻算法从训练样本中选择与该待测样本相似的样本组成相似样本集,再采用最小二乘支持向量机建模并对该点预测。将其应用于青霉素发酵软测量建模中,并与其它方法比较,结果显示该方法是可行有效的,且能有效地克服当前一些多模型建模方法存在的不足。     

基于仿射传播聚类和动态时间弯曲距离的LS-SVM在线建模方法

针对多批次多工况化工过程,离线模型易老化失效和不易满足工业生产的实时优化控制问题,提出一种基于仿射传播聚类和动态时间弯曲距离的LS-SVM在线建模方法。该方法首先利用仿射传播聚类算法对各批次样本进行工况划分,再考虑样本间的时间有序性,由包含待测样本的一段时间序列作为查询序列,并以动态时间弯曲距离来衡量序列间的相似情况,从各历史批次相应的工况阶段获取相似样本片段,构建训练样本集,最后采用最小二乘支持向量机建立在线预测模型。将该方法用于青霉素浓度预测中,仿真研究表明,所提方法提高了建模预测精度和泛化能力。     

聚酯酯化率软测量技术研究

介绍了某聚酯生产过程酯化工艺建立的过程质量指标酯化率的软测量模型。提出一种利用减法聚类产生初始的T-S模糊模型,通过粗调与细调聚类半径优化模糊模型的方法。建模前选择或计算出辅助变量,对样本数据进行了误差剔除与归一化处理。仿真结果表明,该方法建模速度快,模型泛化性能良好,为酯化率的估计提供了一种有效方法。     

基于概率无向图模型的近邻传播聚类算法

针对近邻传播聚类算法偏向参数难选定、生成的簇数目偏多等问题,提出一种概率无向图模型的近邻传播聚类算法.首先为样本数据构建概率无向图模型,利用极大团和势函数计算无向图中数据样本的概率密度,将此概率密度作为一种聚类先验知识注入近邻传播算法的偏向参数中,提高算法的聚类效率;并用高斯降噪和簇归并方法进一步提升算法的聚类精度.在UCI数据集上的实验结果表明,所提出算法的聚类效率和精度均优于相比较的同类算法.     

Stability-based preference selection in affinity propagation

Recently, as one of the most popular exemplar-based clustering algorithms, affinity propagation has attracted a great amount of attention in various fields. The advantages of affinity propagation include the efficiency, insensitivity to cluster initialization and capability of finding clusters with less error. However, one shortcoming of the affinity propagation algorithm is that, the clustering results generated by affinity propagation strongly depend on the selection of exemplar preferences, which is a challenging model selection task. To tackle this problem, this paper investigates the clustering stability of affinity propagation for automatically selecting appropriate exemplar preferences. The basic idea is to define a novel stability measure for affinity propagation, based on which we can select exemplar preferences that generate the most stable clustering results. Consequently, the proposed approach is termed stability-based affinity propagation (SAP). Experimental results conducted on extensive real-world datasets have validated the effectiveness of the proposed SAP algorithm.     

仿射传播算法在图像聚类应用中的实现与分析

近年来,基于划分的聚类算法被广泛应用于数据和图像聚类中。针对应用最为广泛的k-均值算法在图像聚类中存在的聚类速度慢、效果差等问题,提出一种仿射传播算法应用于图像聚类中。提取图像中颜色、形状和纹理等特征向量,利用仿射传播算法对综合特征向量模型进行聚类,最后将仿射传播算法和k-均值算法对MIT图像的聚类作了对比分析。仿真实验表明,仿射传播算法在速度和聚类效果上均优于已有的k-均值算法,在准确性和实时性方面均能达到较好的效果。     

基于分量属性近邻传播的多元时间序列数据聚类方法

鉴于传统方法不能直接有效地对多元时间序列数据进行聚类分析,提出一种基于分量属性近邻传播的多元时间序列数据聚类方法.通过动态时间弯曲方法度量多元时间序列数据之间的总体距离,利用近邻传播聚类算法分别对数据之间的总体距离矩阵和分量近似距离矩阵进行聚类分析,综合考虑这两种视角下序列数据之间的关联关系,使用近邻传播方法对反映原始多元时间序列数据的综合关系矩阵实现较高质量的聚类.数值实验结果表明,与传统聚类方法相比,所提出方法不仅能够有效地反映总体数据特征之间的关系,而且通过重要分量属性序列之间的关联关系分析能够提高原始时间序列数据的聚类效果.     

基于消息传递的谱聚类算法

谱聚类将数据聚类问题转化成图划分问题,通过寻找最优的子图,对数据点进行聚类。谱聚类的关键是构造合适的相似矩阵,将数据集的内在结构真实地描述出来。针对传统的谱聚类算法采用高斯核函数来构造相似矩阵时对尺度参数的选择很敏感,而且在聚类阶段需要随机确定初始的聚类中心,聚类性能也不稳定等问题,本文提出了基于消息传递的谱聚类算法。该算法采用密度自适应的相似性度量方法,可以更好地描述数据点之间的关系,然后利用近邻传播（Affinity propagation,AP）聚类中“消息传递”机制获得高质量的聚类中心,提高了谱聚类算法的性能。实验表明,新算法可以有效地处理多尺度数据集的聚类问题,其聚类性能非常稳定,聚类质量也优于传统的谱聚类算法和k-means算法。     

基于时间序列的AP-NN混合模型聚类

仿射传播算法是一种快速有效的聚类方法,但其聚类结果的不稳定性影响了聚类性能。对此,提出基于近邻的仿射传播算法(AP-NN),通过仿射传播算法产生初始簇,并从中选择代表簇对非代表簇的样本进行近邻聚类。在时间序列数据集上的实验结果表明,AP-NN模型算法能够产生较好的聚类结果,适用于聚类分析。     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

GPU加速的自适应仿射传播聚类方法

自适应仿射传播聚类作为一种新兴的聚类算法,不需要指定初始类心以及类数,对解决聚类中类数不确定性问题非常有效.然而,自适应仿射传播聚类存在时间消耗过大的问题,当样本数量较大时运行速度缓慢.为了提高自适应仿射传播聚类的运行速度,基于NVIDIA公司的统一计算设备架构（Compute Unified Device Architecture,CUDA）和Matlab并行工具箱,提出了一种自适应仿射传播聚类的并行化方法.实验结果表明,基于GPU并行化的自适应仿射传播聚类在运行速度上有了明显提高,与该算法的串行执行方式相比,运行速度提升2倍以上,并且随着样本数量的增长,加速性能越来越好.