多维特征空间聚类在工业物料识别中的应用

在自动识别中 ,往往存在一些不确定的模糊影响因素 ,所以 ,通过聚类算法和模糊理论讨论 ,分析了两者相结合的模糊聚类算法所具有的特点 ,利用多维特征空间的模糊聚类算法对炼钢物料进行识别 ,实验取得了较好的效果 ,其识别正确率达到 92 .5 % ,从而证明三维聚类可以较好地解决对炼钢工业物料的识别要求     

基于全局空间相似性的模糊聚类算法

用传统模糊C均值聚类算法分割图像时,类内数据空间分布离散．针对这一问题,提出一种基于全局空间相似性模糊聚类算法．算法建立全局空间相似性度量标准和全局灰度相似性度量标准,分别计算图像中任意一点与聚类中心点的空间相似性和灰度相似性;通过调整参数来控制两种特征在节点间差异计算中所占的比重,增强了分割结果中类内数据样本空间分布...     

物料颗粒度及平均灰度的特征提取

在物料的计算机自动识别过程中,颗粒度及平均灰度特征对物料的识别率非常重要 。本文通过对两者的研究,给出了二者的提取方法     

基于模糊商空间理论的文本聚类研究

讨论了在模糊商空间理论模型中模糊等价关系与X商空间的归一化距离等同这一特征在文本聚类搜索中的应用,并提出了模糊商空间下文本聚类的算法。     

基于ReliefF和聚类的特征选择方法及其在无线电信号识别中的应用

无线电信号识别在无线电监测中占有重要地位,为了提高信号识别率,针对C波段信号特征数据的特点,提出一种基于ReliefF和聚类的特征选择方法.该算法首先用ReliefF算法去除与分类不相关的特征,再对余下的特征根据相关度强弱进行特征聚类,最后根据特征权重大小和相关度强弱删除冗余特征,选出代表性特征.实验结果表明,该算法有效地减少了数据维数,并且提高了信号识别率.     

基于模糊聚类的神经网络在数据挖掘分类中的应用研究

常见的决策树分类算法、贝叶斯分类算法、神经网络分类算法为数据挖据分类算法研究提供了重要基础。但面对海量数据时,在时间效率、鲁棒性和精确性上都显示出了不足。为此,本文将模糊聚类的思想引入到神经网络分类算法中,首先通过模糊聚类子模型,将样本数据聚为几个数据子集,然后再采用不同的神经网络对各个数据子集同时进行训练学习。由于经过了模糊聚类子模型的预处理,每个神经网络训练学习样本的复杂性大大减少,使神经网络的学习效率大大提高。最后通过UCI下的实际数据库,对提出的分类算法进行了检验,结果显示了基于模糊聚类的神经网络在数据挖掘分类中应用的有效性。     

模糊聚类和模糊识别法的流动单元分类新方法

单纯应用聚类分析划分流动单元容易出现聚类指标的优劣交叉现象，从而给流动单元的分类带来困难。为此提出了基于模糊聚类和模糊识别相结合划分流动单元的新方法，并以CN油田C9井区流动单元研究为例，对两种方法的划分结果进行了对比。结果表明，新方法很好地解决了流动单元划分指标的匹配问题，同时还可以有效地实施人工干预，加入人脑思维信息，使分类结果更符合客观实际，在油田生产实际中取得了很好的应用效果。     

模糊C均值聚类算法在识别中的应用研究

本文描述了聚类理论及模糊C均值算法,提出模糊C均值算法在识别中的应用算法,并指出该算法的优点和需要改进之处.     

语音识别中基于模糊聚类分析的参数聚类

为减少语音识别中声学模型的参数量，提高参数训练的鲁棒性，基于声学决策树结构，提出利用模糊聚类分析方法对模型参数聚类，包括高斯聚类和方差共享．对大词汇量汉语连续语音识别的实验结果表明：高斯模糊聚类使高斯数减少25％时，识别率提高了0．15％．进一步做模糊方差共享，当方差减少到初始模型的24％，与同样参数量的未进行聚类的模型相比，误识率下降了3．01％，证明了模糊聚类分析在语音参数聚类中的有效性．     

基于核空间的模糊聚类方法在储层预测中的应用

基于核空间的模糊C均值聚类方法是一种模式识别的新方法。在地震属性聚类处理时常常会遇到非超球体数据以及非线性类间边界等问题,而传统的模糊C均值聚类方法无法行之有效地解决。将核空间方法引入传统的模糊C均值聚类方法中,并应用于储层预测。针对地震属性聚类问题中不同属性对于储层的敏感性不同,将特征权重和模糊指数等参数加以优化,提高新的模糊聚类方法的储层预测效果。对实际资料的计算与分析结果表明,新的基于核空间的模糊C均值聚类方法可以更准确地刻画碳酸盐岩含气储层边界。     

实现减小Fuzzy聚类失真的一种方法

研究Fuzzy聚类的失真问题．首先，基于Fuzzy相似矩阵的传递闭包给出一种相似矩阵的“进化”方法．随后，从理论上证明了由该方法得到的矩阵一定是等价矩阵．该等价矩阵与传递闭包具有相同的聚类类群，并且它与原相似矩阵的距离不大于传递闭包与原相似矩阵的距离．最后，给出一个基于上述相似矩阵“进化”思想的聚类算法，并借助实例验证了该算法的有效性．     

粒子成像测速图像的模糊聚类识别

聚类是流体运动的基本规律 ,聚类由几个相邻的粒子开始。随着流体的运动 ,粒子簇在第二次曝光时改变其形状及位置 ,通过模糊聚类可获得粒子运动的规律。应用聚类分析方法可改善非标识PIV图像的处理效率。将粒子运动轨迹追踪算法应用于PIV图像分析 ,取得了较好的效果     

粒子成像测速图像的模糊聚类识别

聚类是流体运动的基本规律,聚类的几个相的粒子开始。随着流体的运动,粒子簇在第二次曝光时改变其形状及位置,通过模糊聚类可获得粒子运动的规律。应用聚类分析方法可改善非标识PIV图像的处理效率。将粒子运动轨迷追踪算法应用于PIV图像分析,取得了较好的效果。     

基于颜色空间和优化初始中心的模糊c均值聚类算法

提出了一种基于HIS空间的优化初始中心的模糊c-均值的彩色图像分割方法．首先将彩色图片由RGB转换为HIS,并将H和1分开处理,通过计算样本的权重,选取有代表性的样本作为初始聚类中心,给出优化初始聚类中心的FCM算法,将该算法应用于H和I通道,得出新的基于颜色空间的FCM算法．该算法可以得到较稳定的结果,并且提高了聚类的准确率．     

基于HIS空间的快速模糊C-均值彩色图像分割

提出了一种基于HIS空间的快速模糊C-均值的彩色图像分割方法．首先将彩色图像由RGB转换为HIS,根据H分量和,分量分别计算出每个像素的4个隶属度,然后把H分量和I分量的一个隶属度结合形成一个二维特征矢量,最后对二维矢量进行快速模糊C-均值聚类得到最终的图像分割结果．     

旋转机械运行状态数据库的模糊聚类研究

旋转机械是化工、发电、高速运输工具动力系统的关键设备，为减少因定期维修或突发故障造成的经济损失，需对其进行实时状态监测，建立特定机组的历史故障或状态数据库。本文把旋转机械的振动频谱、润滑油温度等物理参量作为特征参量，利用模糊数学及多元分析原理对旋转机械状态监测系统数据库的建立进行了研究并将研究结果应用于实际机组，取得了很好的效果。     

模糊聚类概念的推广及应用

模糊聚类是一种语言近似方法。它是采用模糊数学的方法根据对象的各种属性（或因素）按某个预定的指标进行分类的一门多元分析技术。经过对基于模糊等价关系的聚类方法的分析，结合运筹学的决策思维习惯，笔者提出了相异的概念来增强其功能，给出了相应的运算收敛的数学证明，并用华北地区雨量预报的历史数据进行检验，给出了语言近似和决策思想的结合是当前使用计算机系统处理智能问题有效途径之一的思路。     

多变量模糊控制器的两种算法

研究了一类模糊系统在单输入、单输出和多输入、多输出的各种情况下,提出了两种模糊算法.利用这种算法,可以建立多变量模糊控制器的数学模型。别适用于微机的实时控制.为研制通用性的模糊控制器提供了依据。     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。