基于混沌优化的模糊聚类分析方法

提出了基于混沌优化的模糊聚类方法(COFCM).COFCM将混沌优化策略与传统的模糊C-均值算法(FCM)相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,同时结合梯度算子,使方法能有效收敛到极值点.以六组人工数据集和真实数据集作为实验数据,对聚类目标函数值、聚类有效性函数指标值进行对比实验,其结果表明COFCM能得到比FCM更好的目标函数值,从而有更好的聚类效果.最后将该方法应用于Lena图像进行图像分割,验证了方法的有效性.     

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。     

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。     

基于遗传优化的采样模糊C均值聚类算法

在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向数据库的数据挖掘经常要处理大量、高维的数据.在这种情况下,FCM算法在时间性能上难以令人满意.本文基于采样技术对FCM算法进行改进,以提高算法的时间性能,并利用遗传算法对聚类结果进行优化以保证聚类的质量,给出了一种新的基于遗传优化的采样模糊C均值聚类算法SFGO(SamplingFCMwithGeneticOptimization).仿真实验证明SFGO算法在大规模数据库的聚类挖掘中,在时间性能和聚类质量上都能获得较满意的结果.     

一种基于划分聚类和模糊神经网络的机器学习方法

将基于划分的模糊聚类算法和一般模糊极小极大神经网络分类算法相结合，提出了一种新的机器学习方法，实现了基于类比的案例推理学习模型。具体实现思想是，首先利用基于确定性退火技术的划分聚类算法对已知案例进行聚类标识，由所得结果建立一般模糊极小极大神经网络分类模型，然后用该模型实现新目标问题的案例相似性检索，最后针对目标问题结果案例完成案例学习。通过实例表明，该算法具有较好性能，并在基于案例推理的固体火箭发动机总体设计中成功应用，得到了论域覆盖面大的设计结果集。     

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.     

基于模糊聚类信源数估计算法的研究、仿真与应用

为了改善在小快拍情况下盖氏圆准则信源数估计算法的估计性能,提出了一种基于模糊聚类的信源数估计算法(Fuzzy Clustering Based Estimator-FCBE)。基于模糊聚类的信源数估计算法使用了待分类对象(特征向量)隶属于信号子空间的隶属函数值作为分类的特征,实际上引入了从对象参数到分类特征的一次映射,符合阵列信号处理中信源数估计的实际情况。通过仿真实验比较了基于模糊聚类的信源数估计算法和盖氏圆准则在小快拍下的估计性能,并且在浅水高分辨率测深侧扫声纳中的实际应用验证了基于模糊聚类的信源数估计算法的有效性。     

基于PS-IFKCM的弹道中段目标识别方法

针对现有直觉模糊核c-均值(intuitionistic fuzzy kernel c-means,IFKCM)聚类算法对初始值敏感、易陷入局部最优解及收敛速度慢等缺陷,汲取了粒子群优化(particle swarm optimization,PSO)算法优势,对初始聚类中心进行优化,提出了基于粒子群优化的直觉核c-均值(particle swarm-based intuitionistic fuzzy kernel c-means,PS-IFKCM)聚类算法,选取4组标准数据集实际样本数据对算法的有效性进行了试验。最后选取弹道中段目标识别常用的雷达截面积(radar cross section, RCS)这一特征属性进行弹道中段目标识别仿真实验,并将其与模糊c-均值（fuzzy c-means, FCM）算法、IFKCM算法的识别效果及运行时间进行比较分析,表明了该算法应用于弹道中段目标识别的有效性及优越性。     

核模糊C均值聚类算法优选BDS-3三频组合观测值

目前对全球导航卫星系统(global navigation satellite system, GNSS)三频组合观测值优选的研究,主要集中在全球定位系统(global positioning system, GPS)和北斗二号(beidou navigation satellite system, BDS-2)上,对BDS-3的研究相对较少。为克服以往聚类优选算法中存在的仅适用于类球形簇、聚类数目和初始聚类中心的确定主观性强、对离群点敏感、易陷于局部最优等不足,提出一种改进的核模糊C均值聚类算法,引入核函数与抑制离群点的新距离度量,基于多类广义核极化准则优化核参数,用改进爬山法确定聚类数目与初始聚类中心。然后,以模糊C均值聚类算法为对照进行了对比实验,在短、长两种基线下分别解算组合模糊度。通过对优选所得代表性组合的模糊度固定成功率进行对比分析,验证了该算法的可行性与算法改进的有效性。     

基于退火的状态转移式模糊C-均值聚类算法

传统的模糊C -均值 (FCM)聚类是一种基于梯度下降的优化算法 ,该方法对初始化较敏感 ,且易陷入局部极小。借用模拟退火中系统温度的概念 ,提出基于退火的状态转移式模糊C -均值聚类方法 ,利用温度来控制类别中心的选取概率。实验结果表明 ,该方法可克服系统对数据集及初始解的敏感度 ,且能尽量避免陷入局部极小 ,而获得质量更优的解。     

一种基于模糊规则的模糊辩识方法

提出了一种基于模糊聚类和最小二乘估计方法的模糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并给出输入变量的隶属度函数。利用递推最小二乘估计辩识模糊模型的后件参数,本文给出了详细的的算法。为了验证该方法的有效性,本文给出了Ｂｏｘ－Ｊｅｎｈｉｎｓ数据的辨识结果。     

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。     

模糊模型辨识中模糊聚类方法应用分析

模糊聚类算法已广泛应用于模式识别、数据聚类以及从数据中提取模糊规则的过程。介绍了基于模糊聚类的非线性系统模糊辨识方法 ,并通过著名的Box和Jenkins煤气炉数据仿真实例详细研究了模型性能指标与输入变量及模糊聚类数之间的关系 ,指出了应用模糊聚类方法的优势与不足。对于模糊建模中正确应用模糊聚类方法具有重要指导意义     

一种基于旋转最小-最大超盒的聚类算法

针对传统聚类算法无法解决复杂分布数据聚类的问题，本文提出了一种基于旋转最小-最大超盒的聚类算法。该算法首先对数据急归一化处理，然后借助旋转最小-最大超盒对样本空间进行划分，从而生成一系列的初始分类，最后利用类别间的可融合度概念将初始类别融合为最终的聚类。仿真结果表明，该算法在无需聚类数目的前提下，对复杂分布数据具有很好的聚类效果，其聚类性能与传统的FCA相比有极大的提高。     

多变量系统模糊动态模型的辨识

介绍了一种新型的基于模糊神经网络的多变量模糊动态模型的辨识方法 ,该方法是通过将输入空间进行直接划分 ,而不是在输入空间的每一维上进行划分来得到模糊规则的。这样所形成的隶属函数为多维隶属函数 ,并使模糊规则的数目大为减少。在模糊聚类算法的基础上 ,提出了一个衡量聚类有效性的函数 ,以确定模糊规则的数目。以二级倒立摆系统为应用背景 ,取得了较好的辨识效果。     

基于分离性测度的数据分类效果评价

针对模糊C-均值聚类算法对初始化分类参数(包括起始聚类中心位置和初始化分类隶属度矩阵)的选择比较敏感而导致分类结果差异性较大,以及错误分类会给解决实际问题带来难以预料的后果的情况,从数据的类内紧致性的对偶面即分离性入手,提出了基于分离性测度的分类效果好坏的评价准则。实验结果表明,定义的分类效果评价准则函数是可行的。     

一种FCM聚类算法的改进与优化

针对一种FCM聚类算法的一些不足 ,提出了具体的改进与提高的方法 ,并引入模糊决策理论 ,进行算法参数m的优化选择。改进后的算法 ,一方面有效地弥补了原算法中存在的不足 ,更好地解决了聚类数目选择等初值问题 ;另一方面 ,通过对参数m的优化选择 ,取得了较理想的聚类效果。最后给出了几种聚类算法对某数据样本集的聚类对比结果。     

New judging model of fuzzy cluster optimal dividing based on rough sets theory

To investigate the judging problem of optimal dividing matrix among several fuzzy dividing matrices in fuzzy dividing space, correspondingly, which is determined by the various choices of cluster samples in the totality sample space, two algorithms are proposed on the basis of the data analysis method in rough sets theory: information system discrete algorithm (algorithm 1) and samples representatives judging algorithm (algorithm 2). On the principle of the farthest distance, algorithm i transforms continuous data into discrete form which could be transacted by rough sets theory. Taking the approximate precision as a criterion, algorithm 2 chooses the sample space with a good representative. Hence, the clustering sample set in inducing and computing optimal dividing matrix can be achieved. Several theorems are proposed to provide strict theoretic foundations for the execution of the algorithm model. An applied example based on the new algorithm model is given, whose result verifies the feasibility of this new algorithm model.     

ERBF network with immune clustering

Based on immune clustering and evolutionary programming(EP), a hybrid algorithm to train the RBF network is proposed. An immune fuzzy C-means clustering algorithm (IFCM) is used to adaptively specify the amount and initial positions of the RBF centers according to input data set; then the RBF network is trained with EP that tends to global optima. The application of the hybrid algorithm in multiuser detection problem demonstrates that the RBF network trained with the algorithm has simple network structure with good generalization ability.