关于模糊数序列收敛性问题的研究

讨论了模糊数序列在EW-型积分度量下的收敛性问题.首先给出了模糊数序列关于EW-型积分度量、水平EW-型度量以及水平EW-型测度收敛的概念;其次,讨论了模糊数序列关于EW-型积分度量、下方图度量以及水平度量收敛之间的关系,证明了在一定条件下模糊数序列关于EW-型积分度量、下方图度量以及水平度量收敛的等价性.     

关于模糊数空间的上确界度量化问题

讨论了模糊数空间的上确界度量化问题,指出了已有上确界度量,即一致Hausdorff度量的不足。利用区间数和模糊数的关系,给出了模糊数空间上的一种新的上确界度量,即EW-型上确界度量,并通过实例验证了其有效性和合理性。讨论了EW-型上确界度量的相关性质,并证明了EW-型上确界度量同样使模糊数空间成为完备的度量空间。     

模糊结构元诱导的两类加权模糊数度量

针对模糊数度量中不同隶属程度对度量的贡献程度应不同的客观事实,给出两类模糊数的结构元加权度量。首先,在区间[-1,1]上的同序标准单调有界函数类B[-1,1]上定义两类结构元加权度量dH、dp,分别讨论了这两类度量空间的完备性和可分性;其次,利用正则模糊结构元导出的模糊泛函,给出一种由B[-1,1]上度量诱导有界闭模糊数全体上的度量方法,进而给出由dH、dp诱导的两类模糊数结构元加权度量dNH、dNp,并分析了两类诱导的模糊数度量空间的完备性和可分性;最后,给出了dNH、dNp与传统方法定义的模糊数度量的区别与联系。     

模糊数空间的紧化

通过表明模糊数空间上的下方图形度量拓扑与Fell拓扑一致,给出了带有下方图形度量的模糊数空间的一个自然的紧化.     

基于自适应模糊聚类的T-S模糊辨识方法

针对模糊建模在进行结构辨识时需事先设定聚类数的问题,本文在改进模糊分割聚类算法的基础上,对算法中聚类数c给出优选方法,提出了参数自适应模糊聚类算法,并结合递推最小二乘法构建T-S模糊辨识算法。为了验证本文提出的模糊辨识方法的有效性,采用该算法对熟知的Box-Jenkins煤气炉数据和实际的电液位置伺服系统数据进行建模,结果显示该辨识方法具有较高的逼近精度和较好的泛化能力。     

关于模糊数空间上两种度量的注记

张广全在文献[2]中定义了模糊数空间上的一种模糊度量(简称),详细研究并证明模糊数空间上的一致Hausdouff度量D与Z-模糊度量所诱导的两种拓扑的等价性.     

下方图度量下的非紧模糊数空间

证明了非紧模糊数空间E^～在下方图度量下关于模糊数的序是可逼近的。本文给出的证明方法是构造性的，从而说明了模糊数值积分如M-积分和G-积分等是可计算的。最后给出了E^～中关于下方图度量的一些分析性质。     

基于因果聚类的模糊预测的择近选择

本文给出了对称三角模糊数的 Hausdauff度量的简明表示形式 ,从而解决了基于因果聚类的模糊预测的择近选择问题 .     

基于混合型模糊聚类分析的降水区域分类法

在混合型模糊聚类分析的基础上,先用传递闭包法得出动态聚类结果,然后引用F统计量找到最佳分类,针对此最佳分类给出具体算法求得初始分类矩阵,然后利用模糊C-均值算法对初始分类矩阵进行迭代计算,对原分类结果进行软划分修正从而得出最终聚类结果.方法减少了两次人为因素对聚类结果的干扰.将其应用于降水区域划分的实证分析表明,可以对降水区域进行更为有效的划分.     

模糊C均值算法的改进

模糊聚类分析方法具有较强的实用性,但传统的模糊C均值算法对数据集进行分类时有均分的趋势,对于数据集中各类样本数目相差较大的情况,其聚类结果不是很理想.因此,本文对FCM算法进行了改进,使之不但能够达到更好的分类效果,同时也更加适用于样本分类不均衡的聚类问题.文中还结合具体算例进行了聚类分析,得到了理想的分类效果.     

一个新的模糊聚类有效性指标

提出了一个判别模糊聚类中聚类数有效性的新指标.首先利用FCM算法对数据集进行模糊聚类,通过隶属度矩阵和聚类中心构建加权二分网络.然后通过改进加权二分网络的模函数,定义一个新的聚类有效性指标.为了检验该有效性指标的性能,选取了三个常见的有效性指标在十五个数据集上进行了对比.实验结果表明,该有效性指标具有较好的性能.     

模糊ISODATA中分类数C的确定

模糊ISODATA方法作为一种常用的聚类方法,在许多领域得到了广泛的应用.但作为一种聚类方法,它却没有显示出能自动聚类的效果,而只是对普通分类的一个扩展.在每次聚类前它仍要预先凭经验来给定一个分类数C因此,本文针对这个缺陷,提出了一个改进方案,使之能自动给出分类数C并在实例中得到了检验和应用.     

自适应约束模糊C均值聚类算法

针对经典C均值聚类算法和模糊C均值聚类算法所存在的对初始聚类中心过分依赖以及需要预先知道实际聚类数目的问题,基于模糊C均值聚类算法提出了一种新算法:自适应约束模糊C均值(ACFCM)聚类算法,它在模糊C均值聚类算法的基础上,给目标函数加入了一个惩罚项,使得上述问题得以解决.并通过仿真实验证实了新算法的可行性和有效性.     

基于FCM算法的小脑基因模糊聚类分析

探讨基因表达数据的聚类分析方法,结合一种聚类结果的评判准则,应用于胎儿小脑基因表达数据,得到了最优的聚类结果,并做出了生物学解释.利用Matlab软件进行了仿真,利用模糊聚类Xie-Beni指数得到了最优聚类数,并把每一类对应的基因标号输出到txt文件,最后进行生物学解释.得到的小脑基因最优聚类数为3类,与生物学意义比较吻合,各类中的基因功能接近.基于FCM算法的基因模糊聚类是有效的,结果具有一定生物学意义,能对生物学基因聚类有一定指导作用.     

基于微分进化算法的FCM图像分割算法

为提高模糊C均值(FCM)算法的自动化程度,提出基于微分进化算法的FCM图像分割算法(DEFCM),利用微分进化算法全局性和鲁棒性的特点自动确定分类数和初始聚类中心,再将其作为模糊c均值聚类的初始聚类中心,弥补FCM算法的不足.实验表明该算法不仅能够正确地对图像分类,而且能获得较好的图像分割效果和质量.     

基于遗传算法的模糊聚类分析

针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于算法的优化计算.同时针对算法中,聚类效果往往受到聚类数目和初始聚类中心的影响,提出了基于平均信息熵确定聚类数目的方法,并采用密度函数来获得初始聚类中心.实验证明,基于遗传算法的模糊聚类方法能够避免产生局部极小值,较好的解决聚类结果对初值的依赖.     

基于模糊积分的一类图像度量

通过（S）型模糊积分和（G）型模糊积分定义一类新的图像度量,实验证明,在衡量图像失真度方面该图像度量比传统的图你度量（包括峰值信噪比PSNR））更合适于人类的视觉系统。     

区间模糊ISODATA动态聚类算法

目前模糊技术已经应用于许多智能系统,如模糊关系与模糊聚类.聚类是数据挖掘的重要任务,它将数据对像分成多个聚类,在同一个聚类中,对象的属性特征之间具有较高的相似度,有很大研究及应用价值.结合数据库中的挖掘技术,对属性特征为区间数的多属性决策问题,提出了一种基于区间数隶属度的区间模糊ISODATA动态聚类方法.     

基于AFS拓扑和AFCM的模糊聚类分析

在分析AFS方法和AFCM算法的基础上,设计了一个新的模糊聚类算法.它首先应用AFS拓扑理论计算得到数据的相对距离,然后将相对距离应用于改进后的AFCM算法中,并进行了聚类实验.实验结果证明这样的聚类算法优于传统的HCM、FCM聚类算法,而且该方法能应用于含有布尔值或模糊概念的聚类分析中.     

基于模糊值Choquet积分定义集函数的S性与PGP性

针对模糊测度空间上已建立的模糊值Choquet积分,将这种积分整体看成可测空间上取值于模糊数的集函数,当模糊测度满足一般S性和PGP性时,研究了这种模糊值集函数所保持的遗传性质.