一种使用支撑集的区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布。在此基础上提出了一种基于类别融合的区域型模糊聚类算法 (regionalfuzzyclusteringalgorithm ,RFCA) ,并就该模型的两个聚类参数 (δ和ε)对聚类性能的影响进行了分析。仿真结果表明 ,该算法有比常用的模糊C均值更好的聚类性能。     

基于最优划分的K-Means初如聚类中心选取算法

针对传统K-Means算法聚类过程中,聚类数目k值难以准确预设和随机选取初始聚类中心造成聚类精度及效率降低等问题,提出一种基于最优划分的K-Means初始聚类中心选取算法,该算法利用直方图方法将数据样本空间进行最优划分,依据数据样本自身分布特点确定K-Means算法的初始聚类中心,无需预设k值,减少了算法结果对参数的依赖,提高算法运算效率及准确率.实验结果表明,利用该算法改进的K-Means算法,运算时间明显减少,其聚类结果准确率以及算法效率均得到显著提高.     

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。     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

一种新的支持矢量数据描述模糊识别方法

支持矢量机(SVM)是一种两类分类器,而支持矢量数据描述(SVDD)是一种单类数据分类方法,通过在特征空间寻找包含某类样本的最小超球体来对样本分类,该方法只需已知某类数据即可构造分类器.但是在SVDD方法中,直接根据超球体构造的分类器对样本数据正确识别能力不高.针对这个问题,根据样本在特征空间中到各个超球体球心的距离构造了样本属于各-个类别的模糊隶属度函数,提出了FSVDD多目标识别方法.在FSVDD的训练过程中采用了乘性迭代规则的快速优化算法,该快速算法降低了优化的复杂度和缩短了优化时间.在针对不同类型数据集的识别实验中,证明了提出的FSVDD多目标识别算法具有训练速度快、识别率高的优点,有很强的实用性.     

基于核密度估计的层次聚类算法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常基础且非常重要的研究课题，具有广泛的应用前景。在众多的聚类方法中，基于密度的方法是一种相当有效的聚类方法，能够发现任意形状的聚类，对噪声数据不敏感，但是聚类结果严重依赖于用户参数的合理选择。以DENCLUE算法为基础，一种基于核密度估计的层次聚类算法被提出，该算法首先优选窗宽σ产生较好的核密度估计结果，然后以密度函数的局部极大值点为聚类中心形成数据的初始划分，最后根据密度函数的鞍点递归合并初始聚类产生不同层次的划分模式。理论分析和仿真实验结果显示，该算法能够发现任意形状、大小和密度的聚类，能够有效处理噪声数据，而且聚类结果不依赖于用户参数的仔细选择。     

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法.该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能.实验表明,该方法比传统方法具有更高的速度和精度.     

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。     

面向大数据处理的划分聚类新方法

大数据处理是物联网研究和应用上不可回避的难题之一,针对常用聚类方法在大数据处理上的不足,设计了一种划分聚类新方法。该方法采用了大数据集的抽样技术,对多次抽取的规模足够大的样本进行聚类以确定自然簇质心的初始位置,在此基础上采用抽样后剩余数据样本对质心的初始位置进行更新,以便校正偏离理想位置的初始质心。该划分聚类算法具有线性空间复杂度和时间复杂度。实验结果表明所提的新聚类算法不仅能得到比常用聚类算法更理想的结果,而且运行速度快,适合处理大规模数据的聚类任务。     

基于自适应权重的面板数据聚类方法

基于二维信息的传统聚类方法并不适用于处理面板数据, 在考察面板数据多重信息特征的基础上, 基于面板数据的"绝对指标", "增量指标"及"波动指标", 重构了面板数据相似性测度的距离函数和Ward聚类算法, 提出了面板数据自适应权重聚类方法. 所提供的算法既可退化为传统的绝对量距离聚类方法, 亦可对面板数据的未来所属类别进行聚类预测. 最后, 实例显示此方法兼具有效性和灵活性.     

遗传算法在决策表连续属性离散化中的应用研究

连续属性的离散化是压缩数据和简化分析的重要手段 ,也是模式识别、机器学习和粗集分析等领域研究的难点 .目前已出现多种离散方法 ,存在的主要问题是对离散效果影响较大的侯选分割点集选择带有较强的主观性 .最优离散化是 NP-困难问题 ,大多数离散化算法采用的启发式也难以得到较满意的离散效果 .基于粗集理论 ,探讨了上述问题 ,把分割点的优选问题转化为 0 -1整数规划 ,并提出一种用实数编码的遗传算法来计算最优分割点集.     

组合运输的优化调度

对多车场情况的非满载的小货运量运输问题进行了分析 ,提出采用组合运输方式可以提高车辆的使用效率 ,进而构造了由分组和连接构成的序列优化启发式算法 ,并用实例进行了验证.     

中长期预测模型的GMDH两水平算法的改进及实证分析比较

两水平算法是以自组织原理为基础应用多层迭代、采用季节数据和年数据同时建模 ,在一定程度上扩大可预测范围 .主要用于复杂系统建模 .对算法作改进 ,使模型在对具有周期趋势的事物预测更加准确 .实证分析表明 ,对算法改进有效 .     

可视化动态仿真技术及其应用

提出了集可视化面向资源建模技术、数字仿真技术、网络计划分析与优化技术、三维动态演示技术于一体的施工全过程可视化动态仿真思想 ,将施工系统作为一个整体 ,综合考虑施工工期、施工强度、交通运输以及各工序之间、各工作面之间的相互联系和制约 ,进行施工全过程的计算机仿真计算和施工方案的优化分析 ,获得合理的施工工期、机械设备配套方案、施工道路系统行车密度等重要参数 ,施工三维面貌在仿真计算中也可实时演示出来 .它为选择合理的施工组织方式、制定最佳的机械设备配置方案、编制可行的施工进度计划以及直观掌握了解施工全过程提供了有力的分析方法 .研究成果在实际地下洞室群施工组织设计中获得了成功的应用.     

自组织数据挖掘与人工神经网络方法比较研究

着重分析了自组织数据挖掘与人工神经网络方法对系统的先验知识的利用 ,算法过程以及推广能力方面的差别 ,显示了自组织数据挖掘方法具有能同时利用关于系统的先验知识和来自观察数据样本的信息的良好性能 ,并指出 ,这应当成为研究复杂系统的一条重要途径.     

资源约束下的时间-费用交换问题研究

传统的活动网络时间 -费用交换问题着重研究如何通过增加费用压缩活动工期以实现项目费用最小 ,而没有考虑资源的约束 .考虑资源可用量限制情况下 ,建立了资源约束下的时间 -费用交换问题模型 .采用特殊编码方式为该模型设计了启发式遗传算法并编写了 VC++5 .0程序 ,用数值实例说明了该模型的合理性和程序的有效性 .该模型对项目业主和承包商之间的合同谈判决策具有借鉴意义 .     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

深基坑支护体系的模糊积分多元决策研究

在分析影响深基坑支护体系因素的基础上 ,根据模糊积分的有关理论 ,对基于模糊测度的模糊积分加以改进 ,推导出有限集合上的多层模糊积分多元决策模型 ,并归纳出用该模型进行多元决策问题综合评价的一般步骤 .最后成功地应用该模型于某深基坑工程支护体系综合决策中 .同时应用该模型可以开展其它复杂系统的综合决策.     

基于APES的超分辨广域成像算法

多普勒波束锐化(Doppler beam sharpening, DBS)技术可以快速地对广阔地面场景进行成像,但存在成像分辨率不高的问题。简单介绍了DBS的成像原理,建立了方位向超分辨的信号模型,并在此基础上提出一种新的超分辨广域成像算法。该算法将脉压后的回波信号建模为一系列不同多普勒频率散射点的叠加,利用幅度相位估计(amplitude and phase estimation, APES)方法对脉压后的数据进行多普勒分析,进行方位向的成像。仿真结果与实测数据表明,所提算法可以获得清晰的广域超分辨图像。