基于凝聚函数的混合属性数据聚类算法

借助于近似极大值函数的凝聚函数，将传统数据聚类问题转化为无约束优化问题求解．首先利用一阶必要条件，推导出数值属性下数据聚共中心的计算格式;其次采用类属性分解方法，提出计算类属性数据对象之间距离的新方法，井在此基础上给出混合属性下数据聚类中心的计算格式和一个能处理数值型和分类型混合数据集的凝聚聚类算法；最后选取不同初始聚类中心，使用凝聚聚类算法对英语借词进行了聚类实验和分析．结果表明，凝聚聚类算法在计算效率和计算效果方面均优于模糊k-prototypes聚类算法．     

混合属性数据聚类初始点选择的改进

k-prototypes和模糊k-prototypes是处理数值属性和分类属性混合数据主要的聚类算法。但这两种聚类算法不足之处是对初值有明显的依赖。对初值选取方法进行了分析和研究,提出一种新的改进方法,可在一定程度上减少随机性。实际数据集仿真结果表明改进算法有更高的稳定性和较强的伸缩性。     

模糊关联规则的并行挖掘算法

介绍了模糊关联规则挖掘算法的基本思想及实现步骤,提出了模糊关联规则的并行挖掘算法.并行挖掘算法采用并行的模糊c-均值算法将数量型属性划分成若干个模糊集,并借助模糊集软化属性的划分边界.用改进布尔型关联规则的并行挖掘算法来发现频繁模糊属性集.最后由多个处理器并行地产生满足最小模糊信任度的模糊关联规则.在分布式互连的PC/工作站环境下进行性能分析,结果表明并行的挖掘算法具有好的可扩展性、规模增长性和加速比性能.     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法，构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息，并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点，提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

基于ACO及PSO的特征选择算法

在属性约简的进化算法中，算法时间存在复杂度高、搜索空间大等不足．为此文中引入最小冗余度的属性重要性后，提出一种基于蚁群优化（ACO）和粒子群优化（PSO）的进化特征选择算法，利用PSO算法的快速简洁等优点得到ACO的初始路径，以此减少迭代次数，加快算法的收敛速度；同时，利用蚂蚁之间的可并行性；采用分布式技术实现蚂蚁之间的并行搜索，改进了算法的效率．理论分析及实验结果表明，文中的算法是有效可行的。     

区间数据的并行模糊聚类算法

研究了对区间数据进行聚类的模糊聚类算法；介绍和分析了模糊c-均值算法的基本思想及实现步骤；定义了区间数据的距离和四则运算，并推广模糊c-均值算法对区间数据进行聚类．在此基础上，讨论了对区间数据进行聚类的并行模糊c-均值算法．在分布式互连的PC／工作站环境下进行性能分析，结果表明并行的模糊c-均值算法具有好的可扩展性、规模增长性和加速比性能．     

一类模糊线性规划的新算法

提出了一种将模糊线性规划转化为常规线性规划的方法,即将目标系数是三角模糊数的线性规划转化为目标系数为L—R型模糊数的线性规划,然后转化为模糊线性多目标规划,并对其模糊线性多目标规划用了一种新的算法求解．最后通过实例说明了该算法的有效性．其运算结果表明：新算法比一般的算法迭代过程更为简洁,收敛速度更快,容易用matlab在计算机上操作．     

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T-S模糊模型的RBF神经网络的自适应学习算法．该算法不仅能动态调节T-S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力．仿真结果验证了该算法是有效和可行的,表明此T-S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力．     

一种基于超长方体集的模糊模式识别算法

结合模糊C均值算法(FCM)与模糊最小一最大神经网络算法。提出一种基于超长方体集的模糊模式识别算法．首先采用基于特征加权的FCM算法进行粗划分。得到c个平行于特征轴的超椭圆球类；再根据已知的样本的类别标记进行进一步划分；以改进的最小一最大模型建立超长方体阵，使每个超长方体只能容纳一种类别的样本点。并且分属不同类别的超长方体无重叠．使用这种方法构建超长方体集更快速、更简单，但对训练样本的要求较高，应选择能够充分体现数据分布情况的数据点作为训练样本．     

模糊控制器算法研究

若控制规则“ｉｆ Ａ ｔｈｅｎ Ｂ”中,Ａ和Ｂ都是Ｏ型模糊集,称之为Ｏ型模糊规则,作者在本文首先给出了Ｏ型模糊数的概念,同时给出了Ｏ型模糊集之间相容度的定义,然后,给出了Ｏ型模糊集的交并运算,该运算具有较好的性质。在此基础上,作者又给出了Ｏ型模糊控制规则的模糊控制算法,该算法具有合理性和有效性,而且计算较简便。     

基于关系积的属性约简算法

粗糙集的属性约简是一个NP难问题,目前尚无高效的算法.基于集合理论,提出了关系积概念和基于关系积的属性约简算法,把决策表的属性约简过程转化为关系积的运算,减小了对决策表的扫描次数,提高了属性约简的效率;算法采用自底向上和宽度优先的搜索策略,可确保找到最小属性约简集.结合实例,给出了算法的具体实现.     

基于区分矩阵的属性约简算法改进策略

针对大容量数据表构造的区分矩阵过于庞大致使属性约简算法效率低的问题,引入置信度和支持度,提取大型数据库中的高概率事件,重新构造决策数据表,并在构造区分矩阵过程中剔除重复项和包含项,结果使得比较次数减少、存储空间节省、约简效率提高。     

基于属性加权的不完全数模糊 c 均值聚类算法

针对现有的不完全数模糊聚类算法未考虑样本各维属性对聚类贡献不同的问题,提出了基于属性加权的不完全数模糊c均值聚类算法.利用ReliefF算法评价各维属性的重要程度,通过加权欧式距离将属性权重结合入聚类,并能实现在聚类迭代过程中的缺失属性、隶属度及聚类中心的一体化求解.实验结果表明,该算法强调了重要属性在不完全数模糊聚类中的作用,能够得到更为准确的聚类结果.     

基于粗糙集的属性约简优化算法研究

属性约简是粗糙集理论中一个核心研究问题,在对粗糙集中属性约简相关理论研究的基础上,提出了一种新的基于属性重要性和依赖性相结合的GENRED_GROWTH属性约简算法.并通过CUI机器学习数据集测试实验,验证了该算法的有效性.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点.已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理.结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法.利用该算法可以快速得到海量数据的属性约简结果.仿真实验结果说明了该算法的高效性.     

一种基于Rough集的海量数据属性约简方法

海量数据属性约简的研究是数据挖掘研究中的一个难点。已有的许多属性约简算法对于空间复杂度考虑得不够,导致了算法不能适应大数据集的约简处理。结合分治法,在给定属性序下,提出了基于分治策略的属性约简算法。利用该算法可以快速得到海量数据的属性约简结果。仿真实验结果说明了该算法的高效性。     

一种变粒度的规则提取算法

属性约简和值约简是粗糙集理论中知识获取的重要组成部分。通常,在知识获取的过程中先进行属性约简,然后在其基础上进行规则提取。但在实际应用中,属性约简在简化信息系统与提高规则提取效率的同时,原始信息系统中有些重要的条件属性可能被丢弃,从而导致属性约简后对信息系统进行知识获取得到的规则其数量与简化程度并不占优。针对上述问题,提出一种基于粒度变化的规则获取算法,通过属性粒度从粗到细的变化,直接从原始信息系统中提取规则;采用该方法得到的规则与属性约简后得到的规则相比,它们的数量与平均每条规则包含的特征属性数相对较少。最后,在理论分析的基础上,通过实例验证了算法可行性,并通过实验验证了算法的正确性和高效性。     

一个改进的粗糙集属性约简算法

利用单属性的逼近精度 ,在Jelonek属性约简算法的基础上 ,得到一个改进的属性约简算法 .实例计算结果表明 ,在获得同样的属性约简的情况下 ,该算法与Jelonek算法相比 ,计算量较少 ,提高了计算速度 .