硬聚类和模糊聚类的结合——双层FCM快速算法

模糊c均值(FCM)聚类算法在模式识别领域中得到了广泛的应用,但FCM算法在大数据集的情况下需要大量的CPU时间,令用户感到十分不便,提高算法的速度是一个急待解决的问题。本文提出的双层FCM聚类算法是一种快速算法,它体现了硬聚类和模糊聚类的结合,以硬聚类的结果对模糊聚类的初始值进行指导,从而明显地缩短了迭代过程。双层FCM算法所用的CPU时间仅为FCM算法的十三分之一,因而具有很强的实用价值。     

模糊聚类分析最佳聚类数的确定方法研究

根据方差分析理论,提出应用混合F统计量来确定最佳分类数,并应用模糊划分熵来验证最佳分类数的正确性,综合运用上述两个指标可以准确确定最佳聚类数,通过实际算例说明这两个指标的有效性。     

一种基于模糊聚类的区间值属性约简算法

针对区间值信息系统基于粗糙集理论提出一种新的属性约简算法:首先计算同一属性下对象间的相似度,然后通过合取算子计算出所有属性下对象之间的相似度矩阵,再用模糊聚类中的传递闭包算子得到等价矩阵,将区间值信息系统转化为具有等价关系的信息系统并且进行约简,从而得到λ-核,同时给出了该算法的复杂度.最后通过一个实例表明这种算法的有效性和合理性.     

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.     

改进的遗传模糊聚类算法

对基于遗传算法的FCM(模糊c^-均值法)聚类算法进行了改进,能更好地把遗传算法的全局搜索能力和FCM的局部搜索能力结合起来。实验结果表明,这种改进的算法在分类正确率和稳定性上优于[1]和[3]中的方法;收敛速度和对初值的敏感性都明显优于FCM。     

关于聚类有效性函数熵公式HP（u,c）

对文[1]提出的聚类有效性函数HP(u,c）作了一定的理论分析,并就文[1]使用的数据及其他数据进行了计算机模拟。模拟结果显示：HP（u,c) 作为FCM算法的聚类有效性函数是不合适的。     

基于样本最大分类信息的聚类有效性函数

根据每一样本的最大分类信息,对Bezdek定义的划分系数进行修改,提出了一个新的聚类有效性函数,讨论了该函数的若干性质。实验结果表明在某些情形该函数的判决效果优于划分系数。     

基于改进区间数密度集结算子指标群赋权方法

针对指标数据已知,而权重数据未知的群组赋权问题,给出了一种基于改进的区间数密度集结算子来进行指标群组赋权的决策方法。首先给出了区间数和区间数密度集结算子(IDM)的定义及性质,改进了以前区间数聚类的方法,应用直接法对一维区间数据组进行聚类,并定义了模糊统计量,以确定最为合理的一种聚类方式。然后基于改进的区间数密度集结算子这种数学模型,来解决指标值数据已知,而权重未知的群组赋权问题。最后举例说明该方法的可行性和实用性。     

基于类内类间距离量级平衡的FCM聚类算法设计

类内距离和类间距离数值量级差异性导致两类距离无法直接融合,进而影响了FCM聚类模型设计。首先,本文全面回顾了经典和改进型的FCM聚类模型,构建了类内距离和类间距离迹的关系模型,分别从类内类间距离的变化不一致性和量级差异性两个方面分析了现有FCM聚类模型的不足;其次,运用高斯核距离替代传统的欧式距离来表征类内类间距离,基于最小化类内紧凑度与类间分离度差的思想,设计了类内类间距离平衡方法,提出了一种改进的FCM聚类目标函数与算法;最后,运用算例说明了本方法的有效性和优越性。     

基于区间数度量的区间值模糊集合的贴近度和模糊度的关系

给出了基于区间数度量的区间值模糊集合的贴近度和模糊度的概念,详细研究了区间值模糊集合的贴近度和模糊度之间的关系,并基于公理化定义,证明了它们二者之间的相互转化关系,最后,给出了若干公式来计算区间值模糊集合的贴近度和模糊度。     

基于联系数贴近度的区间数多属性决策方法

利用集对分析和联系数学理论对区间数多属性决策方法进行了研究.首先给出了联系数贴近度的定义和性质;然后在将区间数决策矩阵转化为联系数决策矩阵的基础上,依据传统的逼近理想解的排序方法(TOPSIS)的基本思路,基于联系数贴近度提出了一种区间数多属性决策新方法.该方法简洁直观,易于计算,无需对区间数进行排序;最后,通过算例表明了它的有效性和实用性.     

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.     

指标排序条件下的多指标区间决策

提出了决策指标的权重不能完全确定而只能对权重进行大小排序,并且决策矩阵中的元素包含区间数的多指标决策问题.分4种类型给出区间数决策矩阵的规范化方法,给出了决策方案综合评价值区间的计算模型及算法:给出了区间数比较大小的可能度的概念及可能度的性质;给出了优序数的概念及有关定理.在此基础上,给出了一种简易且具有保序性的方案排序方法.最后应用实例对方法进行说明.     

一种新型区间数多属性决策算法研究

随着多属性决策问题的复杂性、不确定性日益增强，基于区间数的多属性决策理论与应用研究越来越广泛。基于算子有序性的构建思想，本文提出并构建了基于有序欧几里德算子的区间数多属性决策算法模型，证明了有序欧几里德算子的单调性、齐次性和幂等性。采用基于有序欧几里德算子的区间数多属性决策方法对某火炮采购问题进行了决策计算，证明了该方法的有效性与可行性。     

模糊聚类分析的新算法

提出了一种模糊聚类分析的新算法——追踪法 ,解决了以往模糊聚类分析计算量过大以及难于编程实现的问题 .该方法尤其适用于大规模数据的模糊聚类分析 ,对于模糊聚类分析的推广使用有重要意义 .     

区间型联系数及其在多属性决策中的应用

在联系数的基础上定义了区间型联系数,并讨论了相应的运算法则,然后将区间型联系数应用于区间型多属性决策问题,在文中为了便于对决策结果的排序定义了区间型联系数的相对贴近度及关于区间型正理想解的投影等概念,并通过实例分析验证了该方法的有效性和实用性.     

基于区间数确定性与不确定性相互作用点的多属性决策

区间数多属性决策中的区间数是确定性与不确定性的对立统一体,存在着相互依赖、相互作用的关系,利用集对分析的联系数理论可以计算出一个区间数的确定性与不确定性的"相互作用点",以此反映一个区间数确定性与不确定性相互作用的大小,该点同时可以作为该区间数的"代表点"参与决策,从而使区间数多属性决策过程简明,快捷.     

“奖优罚劣”的区间数多指标决策的关联分析法

针对区间数多指标系统的决策特点,对指标数据初始化处理时,利用“奖优罚劣”原则,提出了一种易于计算且实用的[-1,1]线性变换算子,然后定义正、负理想方案,结合灰色关联分析方法,建立一种新的区间数多指标的灰色关联决策模型.该模型为区间数多指标决策提供了一种科学、实用的方法,并利用现有的实例来证实此方法的科学性与可行性.