基于粗糙集和模糊C均值聚类的空战效能评估

针对评估指标的重要性不一,且存在冗余问题,基于粗集可辨识矩阵,提出了一种计算指标属性重要度和约简的有效、简便算法,对样本信息进行约简,并计算约简后各指标的权重.其中,针对连续属性值离散化过程可能造成信息损失问题,采用了模糊C均值聚类算法离散化连续属性值.最后,建立了基于粗糙集和模糊C均值聚类的空战效能评估模型,并通过实例验证了该模型的可行性和有效性.     

基于成对约束的主动学习半监督谱聚类

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,该算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,并利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

一种基于子集测度的FCM聚类加权指数计算方法

在模糊C均值(Fuzzy C-Means,FCM)聚类应用过程中,针对目前模糊加权指数的确定缺乏理论依据和有效评价方法这一问题,提出了一种基于子集测度的模糊加权指数计算方法.首先根据子集测度理论定义了一个聚类有效性函数,然后依据该函数在聚类过程中通过循环进化迭代来计算聚类结果的有效性,并将其值反馈到模糊加权指数m的变化中,而使m收敛到一个稳定解,即得到最佳模糊加权指数.理论分析和实验表明,该算法是有效的,为模糊加权指数m的探讨研究提供了一种新的思路和途径.     

模糊神经网络在多源数据融合中的应用研究

在T-S模糊神经网络数据融合的基础上,改进了标准T-S模糊融合算法中的模糊算子,并利用聚类算法对网络结构中模糊隶属度个数进行选取.通过仿真实验,验证了改进的算法在融合过程中的合理性、稳定性和准确性.以及聚类算法在T-S模糊神经网络数据融合算法中运用的合理性和有效性.     

一个贝叶斯聚类方法及应用

聚类分析是研究对样品或指标进行综合分类的一种多元统计分析方法.聚类结果常表现为树状图的形式.如何合理确定聚类的个数,一直是一个比较困难的问题,至今没有很好的解决方案,尤其当样本量较大时,树状图层次较多,很难直观确定聚类个数.介绍一种基于贝叶斯理论的聚类方法,通过对后验似然最大化的原则确定最佳聚类个数和方案,避免了聚类个数选择的主观性.一个已知分类情况的实际数据验证了该聚类方法的有效性.     

一种新的基于K-means改进SMOTE算法在不平衡数据集分类中的应用

在实际应用中,经常遇到数据分类集合中某一类的样本数量明显少于其他类的样本数量的数据不平衡问题.在二分类数据集中,一般称样本数目多的一类数据集合为正类,样本数目少的一类数据集合为负类.为了提高算法在不平衡数据集下的分类性能,提出了首先利用K-means找出负类中心点,再根据SMOTE基本原理,得出新的数据集.通过对比新数据集和原不平衡数据集在不同算法中的分类应用,结果表明本文改进算法的分类效果得到明显提升,最后用两两配对T检验验证算法的有效性.     

基于方差与改进群智能算法的K-means聚类优化

利用K-means进行数据聚类时,借用不同处理手段其统计距离和聚类中心等会有所差异,从而影响聚类结果,尤其是当数据维度增高时,这种现象更为明显.对此,文章提出一种基于样本方差的多元统计距离算法,并引入改进人工蜂群算法及评价准则函数确定聚类中心和最佳聚类数,优化K-means算法.理论上,该方法可以克服原算法易陷入局部最优和固定聚类数等缺陷.最后,通过特异值检测,人工数据集以及UCI真实数据集测试验证该优化算法性能.     

遗传模糊聚类算法在图像边缘检测中的应用

将一种改进的遗传模糊c-均值聚类(GFGA)算法应用到图像的边缘检测中.我们将灰度图像中的每一个像素点看成是一个数据样本,将该点的灰度值经过Robert算子、Sobel算子和Prewitt算子处理构成它的特性向量,形成具有三维特征的数据集,然后对这个数据集应用遗传模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.实验结果表明,这种混合算法能得到很好的边缘效果,并且得到的结果无需再细化处理,提高了边缘定位的精度.     

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。     

数据的多流形结构分析

建立了基于ALM和权值的LRR聚类改进模型,对高维数据进行分析,将其分为两个独立的子空间,并与传统k-means聚类模型进行对比,采用评价指标模型对聚类结果进行评价分析.提出的LRR聚类改进模型在正则项引入了权重系数w,可以更好地将扰动分开,求解结果及评价指标均有效地验证了其稳定性、精确度等性能均有所提升.建立了SMMC改进模型,对机器工件外部边缘轮廓进行分类.从求解结果可看出该模型非常适合用于处理混合多流形聚类问题,对于比较复杂的曲线有着很好的分类性能.按照数据预处理、数据建模分析、模型结果评价步骤,通过使用谱聚类分析和多流形学习方法,对所给出的高维数据进行分析和处理,并通过评价模型得出相应的评价指标,对数据的多流形结构进行了深入的研究和探讨.     

基于随机采样模糊聚类和卡尔曼滤波方法的模糊辨识

提出一种新的基于模糊聚类和卡尔曼滤波方法的模糊辨识算法 .该方法是基于快速模糊聚类 ,计算给定样本在各类中的隶属度 ,并利用卡尔曼滤波方法辨识模糊模型的结论参数 .整个辨识过程与一般的模糊聚类方法 [1 ]相比 ,需要的 CPU时间大大缩短 .最后通过仿真实例验证了该方法的有效性 .     

一种改进的遗传k-means聚类算法

在经典的k-means聚类算法中,聚类数k必须事先给定,然而在现实中k很难被精确的确定.本文提出了一种改进的遗传k-means聚类算法,并构造了一个用来评价分类程度好坏的适应度函数,该适应度函数考虑的是在提高紧凑度(类内距)和分离度(类间距)的同时使得分类个数尽可能少.最后采用两个人工数据集和三个UCI数据集对k-means聚类算法(KM),遗传聚类算法(GA),遗传k-means聚类算法(GKM)和改进的遗传k-means聚类算法(IGKM)进行比较研究,比较的指标有类间距、类内距和分类正确率.研究证明改进的遗传k-means算法能够自动获取最佳聚类数k并且保持较高的正确率.     

基于集值统计的直觉模糊聚类

针对聚类问题中样品属性值不能或很难直接给出的情况,提出了一种基于集值统计的直觉模糊聚类方法,讨论了四种情况下的属性直觉模糊相似矩阵的公式,给出了聚类方法的步骤,最后通过算例 对该方法进行了说明和分析.     

一种稳健的聚类方法

本文讨论一种新的聚类方法 :属性均值聚类 .通过理论分析 ,属性均值聚类是比模糊均值聚类更稳健的聚类方法 .数值实验说明了该方法的有效性     

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.     

FCM聚类算法中模糊加权指数m的优选方法

模糊c-均值(FCM)聚类算法是一种通过目标函数的极小化来获得数据集模糊划分的方法。其中,模糊加权指数m对FCM算法的分类性能有着重要的影响,而调用FCM算法进行模糊聚类分析时又必须给m赋值。因此,模糊加权指数m的优选研究就变得很有意义。基于模糊决策的方法本文给出了一种对m的优选方法,实验结果表明该方法是有效的。     

一种基于核密度聚类的电力负荷模式精细化识别算法研究

密度峰值聚类算法(DPC)是一种基于密度的非监督学习算法.分析用电类型复杂的电力负荷数据集时,存在负荷曲线聚类效果过分依赖人为参数设定和无法识别潜在用电模式的缺陷.结合非参数核密度估计,使用带宽搜索与边界优化提出一种适应多类型复杂用户的电力负荷数据优化聚类算法.在某市10KV真实数据集中进行算法测试,使用Davies-Bouldin有效性指标对比优化前后算法聚类效果.结果表明改进算法在面向用户类型复杂的电力数据集时,能够实现已知用电模式精确识别与潜在用电模式的深度挖掘并显著提高聚类有效性.     

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.     

基于模糊聚类与多类支持向量机的战备物资储备模式选择研究

随着军民融合式后勤保障体制改革的深入推进,多种储备模式并存是战备物资储备发展的大趋势.针对具体物资,选择何种储备模式是需要解决的首要问题.针对该问题,建立了影响物资储备模式选择的特性指标集,通过问卷调查取得特性指标向量和推荐储备模式,利用模糊聚类方法消除由于主观因素对储备模式选择带来的影响,然后将聚类结果用于训练与测试多类支持向量机,从而形成一种实现储备模式自动选择的机器.通过数据验证,取得了较好的实验结果,实现了具体战备物资储备模式的有效选择.     

空间密度算子及其应用研究

为在信息集结过程中体现空间时序数据的分布特征,提出了一种新的集结方法,即空间密度算子.该算子首先构建了融合灰色关联度和相似度思想的空间贴近度,并在此基础上利用直接聚类法对空间时序数据进行聚类;然后在组内和组间信息基础上,以信息偏差最小为原则确定组内权重,以规模密度及属性密度为基准确定组间密度权重;最后提出空间密度加权算术平均算子(SDWA)和空间密度加权几何平均算子(SDWGA)这两种新算子,对空间时序数据进行集结,得到最终评价结果.通过性质分析,发现该算子具有置换不变性、幂等性、介值性和单调性等特征.进一步,文末用一个算例来验证方法的可行性和有效性.