基于混合多指标信息的聚类分析

针对具有实数值、区间数和自然语言等形式的混合多指标信息的聚类分析问题．基于传统的数值信息FCM聚类算法，提出了一种新的聚类分析算法。在该方法中。首先描述了具有混合多指标信息的聚类分析问题，提出了基于混合多指标信息的关于确定最优划分和最优聚类中心的两个定理。然后给出了基于混合多指标信息的FCM聚类算法的选代步骤。最后给出了一个算例。     

一种基于三角模糊数多指标信息的聚类方法

针对一类特征指标值及指标权重均为三角模糊数的多指标信息聚类问题,提出了一种新的最大树聚类分析方法。首先对三角模糊数多指标信息聚类问题进行了描述;然后依据传统的基于数值信息的最大树模糊聚类分析方法的基本思路,给出了解决三角模糊数多指标信息聚类问题的计算步骤。最后,通过算例说明了本文给出的聚类方法。     

基于折线模糊数多属性指标信息的FCM聚类算法

折线模糊数是借助实数的有序表示来确定一类模糊信息,它不仅可以按任意精度逼近一般模糊数,而且也克服了基于Zadeh扩展原理的模糊数四则运算的复杂性.该文首先引入折线模糊数定义及其有序表示,并给出它的扩展运算和度量公式.其次,采用折线模糊数的有序表示描述了待聚类对象的多属性指标信息,进而依据目标函数给出最优模糊划分(矩阵)和聚类中心的计算公式,并基于折线模糊数刻画多属性指标信息的模式提出(fuzzy c-means)FCM聚类算法.最后,通过算例说明该算法比梯形模糊数刻画指标信息更具优越性.     

基于区间二型模糊集的模糊等价关系聚类分析

传统聚类算法在解决含有不确定性的聚类问题时具有很大的局限性,为了更好地解决聚类问题中的不确定性,论文基于区间二型模糊集理论,提出了基于二型模糊等价关系的聚类分析算法.论文首先将语言变量信息完整地转化为区间二型模糊集,接着把语言变量和区间二型模糊集的优势相结合,通过区间二型模糊集的Jaccard相似度,提出了基于区间二型模糊语言变量的模糊等价关系聚类分析新方法,并设计了具体的算法流程.新聚类算法相对于传统的模糊等价关系的聚类算法,具有更好地处理不确定性问题的能力,避免了聚类计算过程中的信息丢失.同时新聚类算法可以灵活给出随聚类相似性参数变化的动态聚类结果.论文最后以电商平台的手机品牌聚类为例,验证了新算法的可行性和合理性.     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

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。     

特征指标信息不完全的系统聚类方法

针对聚类时象特征指标值信息不完全且指标权重确定的多指标聚类分析问题，提出了一种新的系统聚类分析方法。在本文中，首先时特种指标值信息不完全的多指标聚类问题进行了描述；然后依据待统的系统聚类分析方法的基本思路，给出了书解特征指标值信息不完全的多指标聚类问题的计算步辣，其核心是通过构建并求解二次规划模型，将不完全信息转化为完全的数值信息的形式，进而通过运用系统聚类法的思路，即可得到所有聚类对象的分类结果。最后通过给出了一个算例说明本文提出的方法。     

基于遗传算法的区间数核模糊聚类方法

针对现有区间数聚类算法对多种聚类模式以及不对称数据聚类性能不理想的问题,本文提出了一种基于核方法的区间数模糊聚类算法.该方法通过设计合适的核函数,有效地对非对称数据以及混合模式原型的数据结构进行聚类,同时避免了直接在高维特征空间求解聚类问题.本文采用区间数遗传算法来求取高度非凸聚类优化问题得到聚类问题的全局最优解.仿真实例说明了本文算法的有效性.     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

基于二元语义信息处理的最大树聚类方法

针对解决具有语言评价信息的多指标聚类分析问题,提出了一种基于二元语义信息处理的最大树聚类方法。该方法依据传统的最大树聚类分析方法的基本思想,采用二元语义概念对语言评价信息进行处理和运算,并对聚类对象进行分类,具有概念清晰、计算简单、信息处理较为精确的特点。最后,通过一个算例说明了所给出的聚类方法。     

不确定多指标决策问题的相对相似关系法研究

针对指标权重未知的不确定多指标决策问题,从描述区间数的相似性程度出发,提出了一种全新的区间数相对相似度和决策方案相对相似度定义,给出了区间数相对相似关系理论并得到了一些相关结果;然后在通过相对相似度对决策指标权重进行度量的基础上,采用备选决策方案在决策方案集中的总体相对相似度值大小选取最优对象并排序,以此给出了不确定多指标决策问题的相对相似关系法.通过算例分析了该算法和离差最大化算法的相异,说明了该算法的适用性和合理性.     

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.     

不确定性多属性决策中区间数的一种排序方法

为了解决具有不确定性区间数的多属性决策问题，本文给出了一种分析方法．首先是基于文献［５］，介绍了一个决策分析模型；然后针对以区间数形式表示的决策方案综合评价值，提出了关于区间数优势及可能度的概念，并且相应地给出了带有可能度的方案排序方法，这也是本文的重点内容．最后，给出了实例计算.     

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…     

基于模糊邻近关系的结构聚类

在有序粒度空间理论的基础上,提出了基于模糊邻近关系的结构聚类分析理论和方法.首先,给出了依据距离的一致聚类的概念,提出了模糊粒度空间的一致聚类特征;其次,给出了模糊邻近关系结构聚类的粒度表示,并获得了基于模糊邻近关系结构聚类的快速算法;进而,提出了获取最佳聚类的新方法,并且这一方法是全局最优的;最后,给出了通过两个模糊邻近关系的交运算获取结构聚类融合的方法.为复杂系统结构分析研究提供了一整套理论工具和方法.