一种基于密度的模糊自适应聚类算法

针对密度聚类算法对邻域参数设置敏感的问题,提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下,可以自适应地根据样本间距离关系确定邻域半径得到样本密度,并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性,同时提出一种新的模糊聚类有效性指标以判断最佳聚类数,消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验,发现本文算法在对数据进行聚类时,聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

基于MapReduce的基因数据密度层次聚类算法

随着生物信息技术的快速发展,基因表达数据的规模急剧增长,这给传统的基因表达数据聚类算法带来了严峻的挑战.基于密度的层次聚类(DHC)能够较好地解决基因表达数据嵌套类问题且鲁棒性较好,但处理海量数据的效率不高.为此,提出了基于MapReduce的密度层次聚类算法——DisDHC.该算法首先进行数据分割,在每个子集上利用DHC进行聚类获得稀疏化的数据;在此基础上再次进行DHC聚类;最终产生整体数据的密度中心点.在酵母数据集、酵母细胞周期数据集、人血清数据集上进行实验,结果表明,DisDHC算法在保持DHC聚类效果的同时,极大地缩短了聚类时间.     

基于密度聚类的工业数据去噪声预处理研究

针对工业数据去除噪声预处理问题,提出了基于密度聚类的数据筛选方法.该方法通过计算各样本数据间的空间距离而获得数据空间的分布密度情况,根据密度聚类法按密度分布聚类,聚类的中心点即为筛选获得的研究数据.实验表明,基于密度聚类的数据筛选法选取数据可以克服环境噪声干扰,筛选数据准确可靠,适用于工业数据的预处理.     

基于蚁群聚类的不平衡数据过采样方法

针对不平衡数据集的低分类准确性,提出基于蚁群聚类改进的SMOTE不平衡数据过采样算法ACC-SMOTE.一方面利用改进的蚁群聚类算法将少数类样本划分为不同的子簇,充分考虑类间与类内数据的不平衡,根据子簇所占样本的比例运用SMOTE算法进行过采样,从而降低类内数据的不平衡度;另一方面对过采样后的少数类样本采用Tomek ...     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

一种基于灰色聚类和模糊聚类的集成方法

根据灰色聚类,模糊聚类,关联系数原理,提出一种新的综合集成方法,利用灰色关联系数将灰色聚类与模糊聚类集成,使聚类结果不仅反映了各聚类对象所属灰类的信息,还有效显化了各个对象间的相互关系的信息.     

区间数据的并行模糊聚类算法

研究了对区间数据进行聚类的模糊聚类算法；介绍和分析了模糊c-均值算法的基本思想及实现步骤；定义了区间数据的距离和四则运算，并推广模糊c-均值算法对区间数据进行聚类．在此基础上，讨论了对区间数据进行聚类的并行模糊c-均值算法．在分布式互连的PC／工作站环境下进行性能分析，结果表明并行的模糊c-均值算法具有好的可扩展性、规模增长性和加速比性能．     

基于视觉感知的模糊C均值聚类算法

针对传统模糊C均值聚类算法对结构复杂图像分割效果不理想的问题,提出一种基于视觉感知的模糊C均值聚类算法.首先,在分析视皮层神经元感受野性质的基础上,建立视神经元细胞响应函数来计算图像的结构特征.其次,定义一种斜坡函数从仿生学的角度来模拟人眼对相对亮度变化的感知,用来计算图像中像素点与聚类中心点之间的差异.所提模型充分考虑了邻域刺激对中心神经元影响的方向性、位置相对性和周期性,比较精确地描述了图像的结构信息,有效地抑制了噪声和复杂纹理的干扰.实验结果表明,本文算法克服了传统模糊C均值聚类算法的缺点,实现了具有复杂背景图像的精确分割.     

基于模糊聚类方法的T-S模糊系统建模

提出了用一个聚类验证准则设计模糊C均值聚类算法，这个聚类验证准则是用来确定模糊C均值算法中合适的聚类数．针对T—S模糊模型，由模糊c均值聚类算法确定其逻辑前件参数，进而采用最小二乘算法确定模糊推理规则的后件参数．最后，应用本文建模方法对一个非线性实例进行仿真计算，并与其它方法进行了比较，结果表明本文方法是有效的．     

基于范数的多维数据模糊聚类方法

根据多维数据间相似度的定义,阐述了数据相似度与向量范数之间的关系,提出了一种基于范数的多维数据模糊聚类方法·该方法把每一个多维数据看做一个多维向量,利用与向量有关的范数对其中的数据进行排序,得到一个近似聚类族解·同理,对每一个近似聚类使用另一个范数做进一步分解,求解多维数据模糊聚类的近似解·最后,对得到的每一个近似聚类使用传统方法求出准确聚类·使用该方法不需建立模糊相似关系即可进行多维数据的近似聚类,总共所需访问数据库的次数也较小,因此具有较好的性能,特别适合于针对大型数据库的聚类·     

基于Biased-SVM的非平衡半监督分类算法

针对非平衡数据的半监督分类问题,提出了一种基于Biased-SVM的非平衡半监督分类算法.该方法首先利用初始的标记样本集训练处理不平衡数据的Biased-SVM模型,然后用训练好的Biased-SVM模型为未标记样本加上标签,再把新标记样本加入到初始标记样本集中,重新训练Biased-SVM模型,最后在测试集上进行测试.选取公共数据库里的一些数据集进行实验,首先在两类不平衡数据集上实验的结果表明,在标记样本所占比例为20%~80%时,所提方法能够在不降低数据集整体G-mean值的基础上,提高小类的F-value值并具有较高的稳定性;然后在多类不平衡数据集上实验的结果表明,在标记样本所占比例为20%~80%时,所提方法能够在不降低数据集整体的EG-mean值的基础上,提高小类识别率并具有较高的稳定性.     

一种面向混合数据的自反馈模糊聚类分析算法

利用动态自反馈理论改造模糊聚类过程,分析入侵数据类型及其在入侵中所起的作用,提出一种面向混合数据的自反馈模糊聚类分析算法,并用算法对KDD99数据集进行对比测试.测试结果显示,本方法能够有效提高入侵检测引擎的检测率,降低其误报率,增强计算机系统抵御入侵及自身免疫能力.     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

一种基于FCM聚类的粗糙集连续数据故障诊断方法

针对粗糙集无法对航空电子装备测试数据中的连续数据进行处理的问题,提出一种基于FCM聚类的离散化方法,通过计算各聚类中心值进行离散化处理,并应用粗糙集属性约简和规则提取方法,获得最终诊断规则,并在某型机载电台故障诊断中验证其有效性。