基于聚类分析与几何的目标特征敏感性评估算法

为克服在较少先验知识的情况下,人为选择目标特征进行分类识别的盲目性,提出一种基于聚类分析与几何学的目标特征评估方法.该方法在类内类间距离的基础上引入几何学中有关圆的知识,定义了样本在特征空间中分布的＂紧密度＂、＂分离度＂函数和＂松紧度＂权重,以考察目标特征对目标样本之间的分类敏感性,并根据评估结果选取适当特征构成一个新的联合特征,以提高对目标的分类识别效率.最后通过仿真验证了该方法的有效性.     

基于多尺度并行免疫克隆优化聚类算法

针对无监督分类问题,提出一种多尺度并行免疫克隆优化聚类算法.算法中,进化在多个子群之间并行进行,不同子群的抗体根据子群适应度采用不同变异尺度.进化初期,利用大尺度变异子群实现全局最优解空间的快速定位,同时变异尺度随着适应值的提升逐渐降低;进化后期,利用小尺度变异子群完成局部解空间的精确搜索.将新算法与其他聚类算法进行比较,所得结果表明新算法具有较好的聚类性能和鲁棒性.     

一种新的灰色多属性决策方法

针对模糊群体多属性决策问题,提出一种新的灰色多属性决策方法.该方法依据一般的灰色关联分析方法的基本思路,将灰色关联度和欧氏距离有机结合,构造出一种平均相似度对方案进行评价.平均相似度同时反映了方案与正负理想方案之间的位置和数据曲线的相似性差异,其物理意义更加明确.最后通过算例表明了所提出方法的可行性和有效性.     

一种新的覆盖粗糙模糊集模型

在覆盖粗糙集与模糊集结合的研究中,已有的覆盖粗糙模糊集模型存在两类问题:一类是元素的上、下近似隶属度之间的差值通常过大;另一类是元素的上、下近似隶属度与其在给定模糊集中的隶属度无关.对此,通过定义模糊覆盖粗糙隶属度,将元素的最小描述与给定模糊集建立联系,同时综合元素在给定模糊集中的隶属度,进而建立一个新的覆盖粗糙模糊集模型.理论比较和实验结果均表明该模型可以有效解决上述两类问题.     

基于直觉模糊集的模糊信息系统模型

首先设计直觉模糊集的真度λ截集方法,并结合该方法提出了基于直觉模糊集的模糊信息系统ISI;然后详细分析了ISI的系统模型和系统的对象可满足性,证明了ISI是其他信息系统的泛化;最后提出了ISI的形式化概念分析理论,并分析了ISI在知识发现和知识推理中的应用.理论验证和实例分析结果均表明了ISI系统模型在描述客观世界和支持模糊推理方面的正确性和有效性.     

基于加权可能性均值的直觉梯形模糊集矩阵博弈求解方法

针对支付值为直觉梯形模糊数（ITFN）的矩阵博弈求解问题,提出了一种基于加权可能性均值的求解方法.定义了ITFN新的运算法则,并引入ITFN的下、上加权可能性均值和加权可能性均值的概念,根据加权可能性均值给出了ITFN新的排序方法;运用新的排序方法,将求解局中人最优策略问题转化为求解双目标线性规划问题.实例分析验证了所提出方法的可行性和有效性.     

基于灰关联分析的KFCM-LSSVM蒸发过程软测量

针对氧化铝蒸发过程出口浓度在线检测问题,提出一种基于灰色关联分析和核模糊聚类相结合的多支持向量机蒸发过程建模方法.该方法采用灰色关联分析提取影响出口浓度较大的变量,再用核模糊聚类算法将样本划分成不同的子类,并对各子类构建的支持向量机模型的输出综合加权得到最终输出.对蒸发过程生产数据进行实验,并与核模糊聚类最小二乘支持向量机(KFCM-LSSVM)相比较,结果表明新模型鲁棒性较强、精度较高、泛化性更好,可以用于蒸发过程的优化控制.     

一种基于混合学习策略的移动机器人路径规划方法

针对未知环境下移动机器人路径规划问题,以操作条件反射学习机制为基础,根据模糊推理系统和学习自动机的原理,提出一种应用于移动机器人导航的混合学习策略.运用仿生的自组织学习方法,通过不断与外界未知环境交互从而使机器人具有自学习和自适应的功能.仿真结果表明,该方法能使机器人学会避障和目标导航任务,与传统的人工势场法相比,能有效地克服局部极小和振荡情况.     

基于区间T-S 模糊模型的运动模式预测

针对一类复杂的生产过程,提出一种基于运动模式的预测模型.针对该方法中模式类别变量的度量问题,提出采用区间数对定义在模式运动\"空间\"上的模式类别变量进行度量.为了描述模式在模式运动\"空间\"的运动,对作者先前提出的区间T-S模糊模型进行了改进,并采用改进后的区间T-S模糊模型建立基于模式类别变量的预测模型.最后,以烧结生产过程实际运行数据为例验证了所提出建模方法的有效性.     

一种改进的粗k 均值聚类算法

Lingras提出的粗K均值聚类算法易受随机初始聚类中心和离群点的影响,可能出现一致性和无法收敛的聚类结果.对此,提出一种改进的粗K均值算法,选择潜能最大的K个对象作为初始的聚类中心,根据数据对象与聚类中心的相对距离来确定其上下近似归属,使边界区域的划分更合理.定义了广义分类正确率,该指标同时考虑了下近似集和边界区域中的对象,评价算法性能更准确.仿真实验结果表明,该算法分类正确率高,收敛速度快,能够克服离群点的不利影响.