一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．     

家电企业竞争网络的拓扑结构分析

通过搜集家电产业的相关信息,建立了企业与产品的专用数据库.并在此基础上生成了家电企业竞争网络,结合复杂网络的分析方法研究网络的多种属性,例如企业节点的度分布特性、网络的无标度程度、密度、同类匹配程度及群聚系数等.通过分析可知,家电企业竞争网是一个具有无标度特性及小世界特性的网络,呈现出节点择优连接、网络同类匹配等一系列网络现象.     

基于分水岭变换的彩色细胞图像分割

提出了一种彩色细胞图像的分割方法,重点解决邻接或者重叠的细胞核或者细胞质之间的分割问题。算法主要基于数学形态学方法,首先利用k-均值聚类和直方图上的分水岭变换对像素进行聚类,从而得到细胞图像背景、细胞质和细胞核的粗略估计;然后利用形态学滤波和分水岭变换提取细胞核、细胞质的边界。结果表明:在少量人工干预的情况下,所述算法获得的细胞核、细胞质边界与实际情况比较吻合。对于含有邻接或者重叠的细胞核或者细胞质的图像,算法仍能提取理想的细胞组织边界。     

分布式模糊聚类微动法铁路路基岩溶地球物理探测： 以皖赣铁路宁国改线工程为例

微动勘探法可探查铁路路基地下岩溶、裂隙通道等不良地质体的发育位置,针对反演成果中土、岩体分界面模糊不清,异常位置及边界不准确等问题,采用分布式模糊聚类算法分析反演数据。系统回顾了微动勘探法和分布式模糊聚类算法基本原理,以皖赣铁路宁国改线某区间既有铁路路基岩溶勘察为例,开展分布式模糊聚类微动勘探进行地层分层、溶洞自动划分。将分布式模糊聚类法分析前后的反演数据同时与钻探揭露结果对比发现,分布式模糊聚类算法可对分界面、异常区域进行自动有效划定,可更加准确地识别地质异常体。说明该方法可较大程度提高微动反演数据的准确率,为铁路路基工程的设计和施工提供参考。     

水压试验机故障诊断专家系统的知识获取

针对水压试验机故障诊断专家系统的知识获取问题,将减聚类算法与人机交互方法相结合,提出了一种基于减聚类的"变焦"知识获取方法.通过将知识获取问题近似为水压试验机AMESim仿真模型增压侧压力的数据分析,引入减聚类算法,并将聚类结果与专家进行交流,实现人机交互.分析了减聚类主要参数对聚类结果的影响,建立参数修改规则,根据专家评价结果不断调整减聚类参数,获得符合要求的结果.通过"变焦"方法针对某一类结果进行深入研究,从而实现知识获取.实验结果验证了方法的有效性.     

有机废物气化-焚烧处理尾气排放灰色预测模型研究

由于气化焚烧过程NOx 和SO2 产生机理的复杂性,利用动力学方程对其进行预测存在较大的困难,运用灰色理论及方法建立了固体废弃物气化-焚烧两段处理中NOx 、SO2 排放的灰色预测模型.以灰色理论GM(1,1)和GM(2,1)模型为基础,通过不同工况条件下固体废弃物的实验数据用灰色理论建立了相应的模型方程,对所建模型进行了误差检验.计算表明,所建模型的预测结果与实验值比较接近,能够很好地预测固体废弃物气化-焚烧两段处理中NOx 和SO2 排放特性.     

基于交通指数聚类的路网区域动态划分

针对宏观路网区域交通状态预报需要首先产生路网区域的需求,提出了一种新的基于交通指数聚类的路网区域动态划分方法.首先对整个城市路网进行网格化划分,将路段划分为从属于某个网格的子路段;然后,计算每个网格的交通指数,提取网格特征,从而得到样本特征矩阵;接着,利用k-means++聚类算法对样本特征矩阵进行聚类,得到初始聚类标...     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

基于半监督学习的中文多文档子主题划分

为了能在多文档自动摘要过程中更好地划分子主题,提出了一种基于半监督学习的子主题划分方法:首先计算句子的语义相似度;然后通过层次聚类对可信度高的句子进行主题类别标记,生成少量已标记主题类别的句子集,在此基础上对所有句子进行constrained-k-means聚类,通过交叉验证的方法确定子主题的数目k;最后使用k-means聚类获得多文档的各个子主题.实验结果表明,该方法有效地提高了子主题的识别率.