二次加权距离判别

定义了各因子的判别权重和加权距离,并结合二次判别和两类判别,构造了二次加权距离判别.该方法既保留了所有因子又体现了不同因子的判别能力.经实际数据的计算验证,其判别效果优于马氏距离判别.     

二次加权距离判别

定义了各因子的判别权重和加权距离, 并结合二次判别和两类判别, 构造了二次加权距离判别. 该方法既保留了所有因子又体现了不同因子的判别能力. 经实际数据的计算验证, 其判别效果优于马氏距离判别.     

基于融合距离法的柴油机故障诊断方法

针对故障特征变量在相关性模糊时,经典马氏距离和欧氏距离均无法有效计算故障特征的问题,将马氏距离与欧氏距离相融合,提出一种新的距离融合度量方法.该方法利用特征变量相关系数来确定权系数,将马氏距离与欧氏距离进行动态加权,兼顾了特征变量的相关性和独立性,可有效地提高故障诊断精度.仿真算例分别从诊断精度和聚类效果上验证了融合距离法的有效性.     

基于熵理论的加权马氏距离及其应用

分析了加权马氏距离判别分析中的权值问题,提出了用熵理论来确定加权马氏距离中权值的方法。实证分析显示基于熵理论的加权马氏距离要优于基于主成分的加权马氏距离。     

基于最小熵值相似矩阵构造方法及其聚类过程

针对利用相似矩阵进行聚类分析的分类问题,定义了相似矩阵及其性质,并给出相似矩阵的一些常见构造方法.针对现有构造方法缺少含义的问题,尤其是针对模糊问题,提出了一种基于最小信息熵值聚类构造相似矩阵的方法.该方法首先利用最小信息熵值原理获得多准则决策中不同属性的权重信息,然后求解不同方案集间的加权距离.通过构造正负不同的理想解,求解方案集与正负理想解直接的加权距离,并利用方案间加权距离与正负理想解整体距离之间的比例构造相似矩阵.算例表明该方法切实可行.     

TOPSIS方法在Vague集中的应用

研究属性值和权重皆为Vague值形式的逼近理想解的排序方法(TOPSIS). 根据Vague集的加法和乘法对属性值加权;根据记分函数确定理想解和负理想解;定义Vague集上的Hausdorff测度,据此度量各方案与理想解和负理想解的距离,在此基础上提出了属性值和权重同时表示赞成度和反对度的Vague集TOPSIS方法,并通过实际算例验证该方法的有效性.     

基于马氏距离的K均值聚类算法的入侵检测

经典的 K 均值聚类算法是基于欧式距离的,它只适用于球形结构的聚类,而且在处理数据时不考虑变量之间的相关性和各变量的重要性差异.针对以上问题改进了 K 均值聚类算法,将马氏距离与 K 均值相结合,并在目标函数中增加变量权重因子和协方差矩阵调节因子,利用马氏距离优点有效地解决了 K 均值聚类算法的缺陷,最后通过实验证实了该方法的可行性和有效性     

区间二元语义信息的C-OWGD算子在多属性群决策中的应用

基于C-OWGD算子定义了一种新的区间二元语义距离,再将其和语言环境下的有序加权距离(OWD)算子相结合,提出了基于区间二元语义C-OWGD算子距离的有序加权距离(ITC-OWGD)算子,并探讨了该算子的一些性质和特例。最后,给出了基于ITC-OWGD算子的区间二元语义多属性群决策方法。该方法在决策者权重、属性权重信息皆未知的条件下,给出了求解决策者权重和属性权重的公式,从而获得相应的权重。     

加权不可分成本值的优化实现及公理化

合作对策研究如何公平合理地分配参与者通过相互合作形成联盟后获得的最大收益。将权重系统引入合作对策,定义了加权不可分成本值,首先分配给每个参与者其大联盟边际贡献,再将不可分成本值依据权重系数进行分配。构造去权平方抱怨度优化模型,证明其最优解与加权不可分成本值一致,优化实现了加权不可分成本值。其次定义大联盟边际标准对策的加权对称性,用公理化的方法研究了加权不可分成本值是合作对策中唯一同时满足有效性、可加性、非本质对策性和大联盟边际标准对策的加权对称性的解。用协变性替代非本质对策性对不可分成本值做出新的公理化证明。最后在实际应用中对比研究不同的分配规则,分析了加权不可分成本值的合理性。结果表明:加权不可分成本值有效地综合了分配问题中的平均主义原则和功利主义原则,可以均衡地最小化所有参与者的去权平方抱怨度,是去除权重影响后距离理想收益最近的分配方案。     

岩土力学特征参数随机-模糊处理中的权重影响比较

分析了在岩土工程中对其物理力学参数的不确定性进行处理时常用的统计、随机和随机 -模糊3种方法的特点.根据马氏距离、模糊权重和模糊集核点的定义和相互关系, 研究了目前随机-模糊处理方法中把模糊权重作为定值的不合理性,提出了把均值、方差和协方差的模糊权重处理为变权重的方法和具体表达公式.研究了在模糊变权重条件下的岩土力学参数特征值的迭代分析方法和具体计算步骤.分别采用统计、模糊定权重和模糊变权重方法计算了2个工程中6个岩土参数试验样本的特征值,分析表明采用模糊变权重方法计算得出的结果,在某些情况仅为其他方法计算结果的49%左右,说明在随机-模糊分析中采用模糊变权重是很有必要的.     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

一种加权的系统聚类方法及应用

提出了加权的系统聚类方法．该方法通过对不同的客户特征赋予不同的权重,达到对客户的聚类结果更符合企业经营目标的目的．为分析客户特征的权重,利用线性回归挖掘企业的历史数据,得到物流企业对客户各个特征的重视程度,并把重视程度作为权重进行客户聚类．实验分析表明,与传统的系统聚类相比,加权的系统聚类方法可以发现隐藏在一般客户中的重要客户,从而使物流企业对本公司的重要客户提供优质服务．     

基于逻辑回归函数的加权K-means聚类算法

传统K-means聚类算法通过欧式距离计算样本的相似度,将数据所有的属性特征均平等对待,忽略每个属性特征的不同贡献,导致样本相似度计算的准确率不高。针对这个不足,提出一种特征加权的K-means算法进行优化。首先,运用Softmax和Sigmoid逻辑回归函数计算特征权重,使得加权的欧式距离更能准确地表示样本相似度;其次,优化初始聚类中心选择策略,选择距离较大的K个样本作为初始聚类中心,可有效避免样本的错误聚类及空簇问题。实验结果表明,在UCI标准数据集中采用加权K-means聚类算法可以有效减少迭代次数,提高聚类的准确率、精确率和召回率。     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。     

一种基于马氏距离的半监督模糊聚类方法及其应用

定义了一种新的基于马氏距离的半监督模糊聚类算法,并推导出它的迭代公式.该算法能够提高聚类算法的运行效率.在人工数据集和真实数据集上的实验结果验证了这种方法的有效性.提取了黄瓜叶片7个色调特征,Fisher降维之后进行半监督聚类分析.对于已标识类别属性的叶片,聚类结果与已知属性的一致率达100％,而对于未标识数据,一致率也达到96％以上.     

基于改进K-均值聚类的图像分割算法研究

为了实现彩色图像的准确分割,研究了在HLS颜色空间中基于优化初始中心的加权K-均值彩色图像聚类算法.首先对大样本的目标颜色进行数理统计,获取优化的初始聚类中心,从而实现准确分类和避免K-均值容易陷入局部最优的问题;然后在HLS颜色空间中引入加权欧氏距离来度量对象间的相关性,通过调整系数使对象不同的颜色属性内在特征得以充分利用.实验证明,该算法在保持K-均值聚类简洁、收敛速度快的同时能产生更好的聚类效果,实现彩色图像的快速准确分割.     

适用于加权样本集处理的加权支持向量机方法

为了处理模式识别问题中具有加权信息的样本集,提出一种加权支持向量机(weighted support vector machine,WSVM)算法,并对算法进行了理论分析.通过引入样本与超平面加权距离的概念,使得WSVM算法可以对样本的权值信息进行有效处理.针对未明确给出权值分布的样本集,提出一种基于类间中心距离确定权值的经验方法,对加权支持向量机算法采用交叉验证技术在人工及真实数据上进行了仿真,结果表明,加权支持向量机比标准支持向量机具有更小的误识率和更好的稳定性.     

Assessment of different genetic distances in constructing cotton core subset by genotypic values

One hundred and sixty-eight genotypes of cotton from the same growing region were used as a germplasm group to study the validity of different genetic distances in constructing cotton core subset. Mixed linear model approach was employed to unbiasedly predict genotypic values of 20 traits for eliminating the environmental effect. Six commonly used genetic distances （Euclidean, standardized Euclidean, Mahalanobis, city block, cosine and correlation distances） combining four commonly used hierarchical cluster methods （single distance, complete distance, unweighted pair-group average and Ward＇s methods） were used in the least distance stepwise sampling （LDSS） method for constructing different core subsets. The analyses of variance （ANOVA） of different evaluating parameters showed that the validities of cosine and correlation distances were inferior to those of Euclidean, standardized Euclidean, Mahalanobis and city block distances. Standardized Euclidean distance was slightly more effective than Euclidean, Mahalanobis and city block distances. The principal analysis validated standardized Euclidean distance in the course of constructing practical core subsets. The covariance matrix of accessions might be ill-conditioned when Mahalanobis distance was used to calculate genetic distance at low sampling percentages, which led to bias in small-sized core subset construction. The standardized Euclidean distance is recommended in core subset construction with LDSS method.