势函数自适应加权模糊C-均值聚类方法

提出了一种新的基于势函数自适应加权的模糊 C-均值 ( PAWFCM)聚类算法。该方法以样本的空间势几何结构为基础 ,自适应计算出样本的加权矩阵 ,然后利用加权模糊 C-均值算法对样本集合进行分类。由于自适应地考虑到了不同样本点对分类的影响程度 ,对较复杂的样本集合 ,能明显提高分类的正确性和鲁棒性。算法的几个典型实验也证明了这一点     

基于类内差和改进划分系数的聚类有效性函数

针对改进划分系数对模糊聚类有效性的判决并不十分理想,提出了将类内差和改进划分系数相结合的两个聚类有效性函数。该聚类有效性函数从数据聚类效果要求类内样本越相似而类间样本相差越大的观点出发,通过将反映数据聚类类内紧致性程度的类内差和类间分离性程度的改进划分系数相结合,并考虑到模糊C 均值聚类算法的适用条件作为构造聚类有效性函数的约束因子,得到新的聚类有效性标准。给出应用该函数进行模糊C 均值聚类有效性判决的具体步骤,通过仿真实验证明该有效性函数具有良好的分类性能。     

广义均衡模糊C均值聚类算法

模糊C均值聚类(FCM)算法是一种快速有效的聚类算法,但它没有考虑各类样本容量的差异, 其最小化代价函数会导致聚类判决有利于少样本类.提出一种新的聚类算法—-广义均衡模糊C均值聚类, 通过对模糊C均值聚类最小化代价函数的改进,使得样本容量在聚类代价函数中发挥效用, 从而弱化了样本容量差异对聚类判决的干扰.讨论分析了该算法的性质,模糊隶属度的推导突破了FCM解析解的约束. 通过仿真实验,验证了所提出算法的有效性.     

基于属性加权的模糊K-Modes聚类算法

提出了一种基于属性加权的模糊K Modes算法。该算法假定不同属性对聚类结果有不同程度的影响 ,定义新的适应度函数 ,利用进化策略优化加权矩阵 ,以基于划分相似度的聚类精确度作为聚类结果的评价准则。实验表明 ,此算法具有较好的聚类效果 ,且属性加权矩阵反映了数据各个属性的重要程度 ,从而可以进行属性的提取和选择。     

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

一种新的暴雨灾害预报非线性建模方法

针对一般模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM),没有对样本特征进行优化的问题,提出了在门网络中采用模糊核聚类算法(FKCA)替代模糊C均值聚类算法,构建了一种新的模糊核聚类模块化模糊神经网络预报模型.进一步采用动力消空算法、切比雪夫多项式展开方法和自然正交展开方法对预报量和预报因子进行计算处理后,分别建立了普通模块化模糊神经网络和模糊核聚类模块化模糊神经网络暴雨预报模型.利用这两种预报模型进行的暴雨预报试验表明,在相同的条件下,改进模型具有更高的暴雨预报TS评分.     

基于熵的自适应加权投票HRRP融合识别方法

基于不同分类器对同一样本分类能力不同,同一分类器对不同样本可分程度不同的思想,为不同样本赋予不同融合权重,提出了一种基于熵的自适应加权投票高分辨距离像(high range resolution profile, HRRP)融合识别方法。该方法将二分类相关向量机(relevance vector machine,RVM)扩展为多类分类RVM概率模型,并对不同HRRP特征样本进行分类,利用每个多类分类RVM输出的样本后验概率信息计算出的熵值自适应为各个样本赋予权重,使得不同分类器以及同一分类器对不同样本的决策占有不同的比重,熵值越大的样本赋予的融合权重越低,最后通过加权投票方法实现融合识别,得到目标的最终识别结果。仿真实验结果验证了所提方法的有效性。     

引导函数支配的进化模糊聚类算法

建立了多维属性样本的模糊聚类目标函数.构建了引导进化算法收敛的指数函数曲线模型,给出了模型的参数计算方法.设计了一种具有全局变异和局部变异算子的进化模糊聚类算法,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异,并给出了算法的种群进化策略.选择文本分类和点聚类计算实例,实验表明,设计的引导函数是有效的.进化模糊聚类算法具有较强的局部寻优能力,在收敛速度和聚类精度方面优于比较的遗传模糊C-均值聚类等算法.     

基于熵权和区间灰数信息的灰色聚类模型

针对区间灰数的灰色聚类模型中指标权重确定的问题,借鉴信息熵的思想,引入灰色熵权确定指标权重,构造了基于熵权和区间灰数信息的聚类评估算法。该算法以区间灰数本身的信息为依据通过计算灰熵来得到聚类指标权重。最后以实际问题为背景进行算例研究,结果表明由所提算法所得的归一化聚类系数矩阵区分度更好,验证了所提算法的有效性和可行性。     

基于粒子群优化聚类算法的多预测器信用评估模型

经典的加权k均值聚类算法能够有效区分不同属性对聚类过程的影响程度,但同时也易因权值的选取不当导致预测性能较差。本文在其基础上,针对信用评估问题,设计了多预测器粒子群优化加权k均值聚类(MPWKM)模型。MPWKM模型首先对样本数据进行预处理,剔除重要程度较低的属性,接着以粒子群算法搜索加权k均值聚类算法的最优权值组合,解决权值选择问题,进而构建多个基于不同样本空间子集的基预测器,最后根据各基预测器的预测结果组合成完整的预测模型,进一步提升模型的性能。实证研究表明:MPWKM模型与现有的五个成熟模型相比,在预测精度较高的同时,也具有较好的平衡性与稳定性。     

联机核模糊C均值聚类方法

基于核模糊C均值(kernel fuzzy C-means, KFCM)提出了一种针对较大规模数据的联机核模糊C均值 (online kernel fuzzy C-means, OKFCM) 算法,同时考虑到核参数的选择困境,借鉴多核学习思想,进一步衍生出了联机多核模糊C均值 (online multiple kernel fuzzy C-means, OMKFCM) 算法。由此,在有效缓和核参数选择难题的同时,新算法不仅继承了KFCM优越的聚类特性且适合聚类数据流。最后,在人工和真实数据集上验证了新提出的核联机算法比现有基于划分的大规模数据处理算法具有更好的性能。     

基于改进的模糊C-均值的分级递减聚类算法

提出了基于改进的模糊C-均值的分级递减聚类算法,利用改进的模糊C-均值聚类算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类数数据集的聚类。实验结果表明,本算法对未知类数、具有高斯分布的数据集具有聚类效果好、收敛快的特点,且对于类数较多的数据集,本算法也是一种快速聚类算法。     

Kernel method-based fuzzy clustering algorithm

1.INTRODUCTION Clusteranalysisdividesdataintoclustersinorderto facilitateunderstandingortofindstructurehiddenin dataset.Clusteringalgorithmspartitionasetofdata objectsintoclustersorclasses,wheresimilardataob jectsareassignedtothesameclusterwhereasdissimi lardataobjectsshouldbelongtodifferentclusters. SinceZadeh(1965)presentedthefuzzysettheory, thefuzzymethodisfirstlyintroducedinclustering problems,whichiscalledthefuzzyclusteringanaly sis.Fuzzyclusteringisawidelyappliedmethodfor acquiri…     

集成粗糙集和阴影集的簇特征加权模糊聚类算法

特征加权是聚类算法中的常用方法,决定权值对产生一个有效划分非常关键。基于模糊集、粗糙集和阴影集的粒计算框架,本文提出计算不同簇特征权重的聚类新方法,特征权值随着每次迭代自动地计算。每个簇采用不同的特征权重可以更有效地实现聚类目标,并使用聚类有效性指标包括戴维斯-Bouldin指标(Davies-Bouldin,DB)、邓恩指标(Dunn, Dunn)和Xie-Beni指标(Xie-Beni, XB)分析基于划分的聚类有效性。真实数据集上的实验表明这些算法总是收敛的,而且对交叠的簇划分更有效,同时在噪声和异常数据存在时具有鲁棒性。     

改进的基于二次型距离模糊可能性C均值聚类模型

针对模糊聚类算法对点数据集聚类敏感性,以及区间类型数据聚类效果不明显等问题,提出了基于二次型距离改进的模糊可能性c 均值(fuzzy-possibilistic c-means,FPCM)聚类算法.首先分析了区间数据的特征,引入了区间值的数学表示方法,在此基础上提出了三种不同的基于区间数据距离度量方法以及相应权重矩阵计算方法,通过建立拉格朗日方程对目标方程优化,求得聚类中心、隶属度以及可能性迭代方程,并证明目标方程的收敛性,最后给出了算法执行步骤。在不同类型的数据集上实验,证明算法在点数据集和区间数据集上都具有较好聚类性能.     

Efficient subspace clustering for higher dimensional data using fuzzy entropy

In this paper we propose a novel method for identifying relevant subspaces using fuzzy entropy and perform clustering. This measure discriminates the real distribution better by using membership functions for measuring class match degrees. Hence the fuzzy entropy reflects more information in the actual disbution of patterns in the subspaces. We use a heuristic procedure based on the silhouette criterion to find the number of clusters. The presented theories and algorithms are evaluated through experiments on a collection of benchmark data sets. Empirical results have shown its favorable performance in comparison with several other clustering algorithms.     

Intuitionistic fuzzy C-means clustering algorithms

Intuitionistic fuzzy sets (IFSs) are useful means to describe and deal with vague and uncertain data. An intuitionistic fuzzy C-means algorithm to cluster IFSs is developed. In each stage of the intuitionistic fuzzy C-means method the seeds are modified, and for each IFS a membership degree to each of the clusters is estimated. In the end of the algorithm, all the given IFSs are clustered according to the estimated membership degrees. Furthermore, the algorithm is extended for clustering interval-valued intuitionistic fuzzy sets (IVIFSs). Finally, the developed algorithms are illustrated through conducting experiments on both the real-world and simulated data sets.     

基于动态软聚类的航空电子部件LMKELM诊断模型

为提高小样本条件下航空电子设备模块级故障诊断精度,基于动态软聚类的自适应特点与局部多核学习(local multiple kernel learning,LMKL)的局部特征表达能力,提出一种新的局部多核超限学习机(local mul-tiple kernel extreme learning machine,LMKE...