基于核空间的模糊聚类方法在储层预测中的应用

基于核空间的模糊C均值聚类方法是一种模式识别的新方法。在地震属性聚类处理时常常会遇到非超球体数据以及非线性类间边界等问题,而传统的模糊C均值聚类方法无法行之有效地解决。将核空间方法引入传统的模糊C均值聚类方法中,并应用于储层预测。针对地震属性聚类问题中不同属性对于储层的敏感性不同,将特征权重和模糊指数等参数加以优化,提高新的模糊聚类方法的储层预测效果。对实际资料的计算与分析结果表明,新的基于核空间的模糊C均值聚类方法可以更准确地刻画碳酸盐岩含气储层边界。     

自学习模糊脉冲神经网络的旋转机械诊断

针对旋转机械故障分类边界的模糊性和传统的神经网络算法难以解决应用问题的实例规模和网络规模之间的矛盾问题,提出了一种自学习模糊脉冲神经网络算法,该算法通过脉冲序列的种群编码和无监督学习较好的克服了旋转机械故障分类边界的聚类分析无效性问题.应用表明该算法有效解决了旋转机械故障的边界模糊性问题,较大提高了故障诊断的准确率.     

基于模糊-粗糙集的文本分类方法

在文本分类过程中,类别之间的重叠以及标志类别属性的不足会导致类别的边界之间出现模糊不确定性和粗糙不确定性,而传统的k-近邻方法无法解决这一问题;同时,在传统的k-近邻方法以及其他一些改进的k-近邻方法中,最优k值的选取需要通过训练得到.文中借助模糊-粗糙集理论来改进传统的k-近邻方法,并使用基于距离的邻域空间,以不经训练地确定适宜每个待分类文本的k值,最后将所提方法和其他一些k-近邻方法进行了实验比较,结果表明模糊-粗糙集方法能够在一定程度上提高分类的精度和召回率.     

基于基尼的模糊kNN分类器

随着网络的发展,大量的文档涌现在网上,自动文本分类成为处理海量数据的关键技术。在众多的文本分类算法中,kNN算法被证明是最好的文本分类算法之一。对于大多数文本分类来说,文本预处理是文本分类的瓶颈,文本预处理的好坏直接影响着分类的性能。在此介绍了一种新的文本预处理算法——基于基尼的文本预处理算法。同时采用模糊集理论改进kNN的决策规则。这两者的结合使得模糊kNN比传统的kNN表现出更好的分类性能。实验结果证明这种改进是有效的,可行的。     

模糊粗糙集的稳定约简方法

属性约简是粗糙集理论研究的核心内容。目前已有的研究成果往往是根据分类性能、代价或不确定性等一些度量来定义及求解约简,并未充分考虑数据扰动有可能对约简结果产生的波动影响。为解决这一问题,提出了一种可以求解稳定约简的启发式算法框架:首先,在全体样本集上利用多次聚类进行多重采样以得到若干边界样本集合;其次,利用集成策略,对每一个属性在所有边界样本集合上求得的重要度进行融合;最后,选择重要度较高的属性加入到约简集合中。在8个UCI数据集上将新算法与传统算法进行对比分析,实验结果表明当数据发生扰动时,所提出的方法不仅能够有效地提升求解约简的时间效率与约简结果的稳定性,而且依据约简所求得分类结果的稳定性也有显著增强。     

一种基于程序行为模糊模式匹配的病毒检测方法

根据典型病毒的行为特征，提取病毒程序的系统API调用序列，用来分类量化病毒的程序行为。模糊分类后建立病毒行为特征库，对可疑程序进行模糊模式匹配。模拟中选取了3种典型计算机病毒样本，在不同阈值下对20个程序进行检测，结果表明，有效识别率可达90％。     

旋转机械工况辨识的模糊神经网络方法

本文介绍了一种模糊神经网络分类器，针对其在旋转机械工况辨识中的应用，论述了网络的输入和输出模糊化问题，文中就旋转机械中几种典型的故障模式采用模糊神经网络进行了识别，并与传统的ＢＰ网络进行了比较，研究结果表明，模糊神经网络方法应用于旋转机械工况识别是有效的，它比传统ＢＰ网络更适合于处理分类边界模糊的数据。     

构造性神经网络覆盖算法的模糊化技术及其应用

本文通过将模糊逻辑的结构性定义引入构造性神经网络模式分类系统中,给出模糊神经网络模式分类边界的直观描述方法.在系统信息不完备的情况下,可以获得更为合理的模式分类边界,并提高模式分类的精度.实验结果表明以上方法正确.     

南京市民垃圾分类调查分析

随着我国对于生活垃圾分类工作越来越重视,以及城市居民对环保的意识逐渐增强,垃圾分类渐渐融入了我们的日常生活。上海已走在全国前列,率先立法规范市民的垃圾分类行为。南京与上海同属长三角城市群,面临着相似却不同的垃圾分类困境。该文通过文献阅读和网上问卷调查,试图了解南京市民垃圾分类意识,从个体层面了解垃圾分类过程中遇到的困难,并提出可行的建议。     

永磁直驱风力发电系统故障穿越过程瞬态行为分析

采用非线性模态级数法对故障穿越情况下并网永磁直驱风力发电系统的瞬态行为进行分析,使传统的定性分析转入到定量分析。通过建立系统的数学模型,推导出相应的二阶模态级数模型,并进行了数值模拟和理论分析,得出的系统二阶准谐振边界将参数空间分为正常运行区域和二阶谐振区域。研究结果表明:系统在故障穿越情况下的瞬态过程中存在着丰富的交互模式,特别是存在着很强的二阶交互模式;通过选择合适的参数削弱二阶模态交互作用,可以有效地减小在故障穿越过程中系统振荡的幅值和持续时间。对于系统的二阶准谐振边界,当选择控制参数落入正常状态区域时,能够避免发生二阶谐振,使系统在故障穿越情况下快速实现稳定运行。     

模糊边界地理现象的建模方法

针对模糊边界地理现象,提出使用模糊隶度函数建立模糊地理模型的建模方法。通过土壤类型分类的实例,说明使用模糊聚类法提取土壤类型边界,使用模糊隶属度函数建立土壤边界模糊模型,能够较自然并较准确地达到土训类型边界提取和边界建模的目的。     

强噪声环境下汉语语音识别的模糊分类算法

论述了强背景噪声环境下利用模糊分类算法对大词汇量的汉语语音进行了分类识别，根据噪声的汉语语音特点，采用有边界的交叉分类和无边界的模糊分类相结合的措施，较成功地解决了强噪声环境下的汉语语音分类。     

模糊综合评价建模方法及其应用

针对群体评价过程中遇到的一些问题,诸如变量繁多、结构复杂、多种因素相互交织且对不确定因素难以准确量化等,提出了基于模糊一致性矩阵进行模糊综合评价的新方法,并构建了模糊综合评价模型。该模型综合运用模糊层次分析和模糊综合评价方法,将边界不清、多维性、模糊性等不确定性因素进行模糊量化,然后通过对各种评价因素的分类和权重调节的模糊化处理以及模糊关系合成,实现了基于模糊推理机制进行群体综合评价,提高了群体评价的效率。     

基于模糊熵的支撑矢量预选取方法

在基于支撑矢量机的分类器学习算法中,预先选择支撑矢量是非常重要的．依据模糊熵理论,提出一种启发式的支撑矢量预选取方法——模糊熵方法．该方法针对支撑矢量数目较小的情况,可以有效地预选取出包含支撑矢量的边界集．利用边界集作为训练集可以大大简化支撑矢量机的训练而不影响分类性能．与其它方法相比,该方法的主要优点是不需要参数来确定边界集的阈值．仿真实验结果表明该方法是有效和可行的．     

汽轮发电机组振动故障诊断的模糊输入方法

针对汽轮发电机组振动故障的特点,构造了一模糊神经网络（ＦＮＮ）诊断模型,讨论了网络的多种模糊化输入,输出方式,并对两种模糊输入方法进行了对比分析。最后运用该诊断方法与传统的ＢＰ网络诊断方法进行比较。结果表明：模糊神经网络诊断方法对汽轮发电机组振动故障的识别是有效的,且在分类模糊边界数据时优于ＢＰ网络诊断方法。     

面向单调分类的简洁单调TSK模糊系统

Takagi-Sugeno-Kang(TSK)模糊系统的一致逼近能力和可解释性使其可以直观高效地描述复杂的非线性不确定系统,可以有效地应用于模式分类.然而,对于单调分类任务,现有的模糊分类算法并没有考虑单调数据存在的有序关系,因此这些算法对于单调分类任务在模型的复杂度和分类性能方面有待改进.针对此问题,提出了面向单调分类的简洁单调TSK模糊系统建模方法(Concise Monotonic TSK Fuzzy System for Monotonic Classification,CM-TSK-FS),引入有序互信息进行单调特征选择,然后利用抽取的特征来训练TSK模糊系统进行分类识别.该方法有如下优点:(1)由于对单调数据进行了特征选择,新方法降低了TSK模糊系统规则的复杂性,因而得到的模糊系统更加简洁;(2)由于在特征抽取时考虑了单调数据的特征值和决策值之间的单调性,使得训练的模型的分类性能也有了一定程度的提高.在多个单调数据集上进行了实验验证,实验结果表明:面向单调分类的简洁单调TSK模糊系统在处理单调数据集时,通过选取重要的单调数据特征,不仅可以降低其模型的复杂性,还可以提高分类精度.     

脑信息特征的评价分类方法

对脑信息处理的能力特征量和总体偏离度特征量进行了确定性评价分类.在分类数上,提出了common分类法,以一般人的特征作为分类基准,在common两边展开,以确定分类数.在分类边界上,提出了根据特征量的正态分布确定分类边界的方法.若特征量分布不是正态分布,则采用了博克斯和考克斯变换将其变为正态分布,最终得到能力特征量和总体偏离度特征量的分类规则.由于人的行为是脑信息处理在宏观上的表现,所以其研究成果可直接用来评价人的能力和行为特征.     

基于模糊决策的不完整数据分类算法

中医药领域不完整的数据普遍存在,而数据的不完整很大程度地降低分类模型的学习效果。大多数已有的处理不完整数据的分类算法只关注在其学习阶段处理不完整数据,而对于不完整数据出现在分类阶段则不能处理或效果不好。文章提出一种新的分类算法用于处理不完整数据的分类问题。首先给出一个新的用于处理不完整数据的决策树算法,并针对传统的Boosting算法在迭代过程中使用确定性决策方法而没有充分考虑到数据集中的不完整数据,进一步提出改进的Boosting算法,在迭代过程中对每一个假设使用模糊决策方法,权重的更新机制是增加错误分类样本的权重和减少正确分类样本的权重,最终使用加权投票的方式得出最优的分类结果。最后,通过两组实验证明提出的算法策略在处理不完整数据问题时的优越性。     

基于边界条件GAN的不平衡大数据模糊分类

针对大数据分类中的不平衡问题,本文提出一种基于边界条件生成式对抗网络(Boundary Conditional Generative Adversarial Networks,BCGAN)的不平衡大数据模糊分类算法,通过在多数类数据和少数类数据的决策边界附近引入一个边界少数类到过样本,生成更合适的少数类数据来提高分类性能.将处理过的平衡数据转换成概率索引表,数据和属性分别以行和列的形式呈现,计算每个数据属性中存在的唯一符号的隶属度,然后设计相关模糊朴素贝叶斯(Correlative Fuzzy Naive Bayes,CFNB)分类器进行数据分类.本文给出MapReduce框架下大数据模糊分类的并行实现.实验结果表明:所提基于BCGAN的不平衡大数据模糊分类准确度优于其他现有方法,说明该方法具有可行性和有效性.     

模糊基函数神经网络在线跟踪自学习算法研究

提出了一种用于分类的模糊基函数（FBF）神经网络在线跟踪自学习算法,通过带有遗忘因子的样本均值和样本协方差矩阵,保存了原始样本所包含的类可能性分布信息,并在此基础上产生新增样本的目标输出用于训练FBF网络,以实现分类边界的在线跟踪;给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法,以克服传统方法需要保存大量以往训练样本带来的困难。所提出的方法用于旋转机械的故障识别,结果表明是可行的和有效的。