基于三支决策的高斯混合聚类研究

针对隶属关系不明确的情况,即样本点属于多个类别的概率接近,高斯混合模型聚类存在较大的误判风险的问题,将三支决策思想融入高斯混合模型中,提出一种基于三支决策的高斯混合聚类算法.新算法计算出数据对象属于各个类簇的后验概率作为决策评价函数,用于确定聚类结果的正域和边界域.由于新算法对边界对象采取了比一般高斯混合聚类算法更加谨慎的操作,避免了直接做出对象属于某一类或不属于某一类的决策所需承担的风险,从而有效减小了误判代价.实验进一步表明,所提出的算法不仅继承了高斯混合聚算法的特点,具有良好的聚类性能,而且还对于非球形数据簇表现出优良的聚类效果.     

净化属性对偶背景下完全格的形式概念分析（英文）

形式概念分析是数据分析和知识获取的有效工具,而三支概念格是概念格的扩展。在形式概念分析中,完全格与概念格有同构关系,但并不是每一个完全格都会同构于三支概念格。文章对净化属性对偶背景下的原子、不可约元素、补集和概念格的V-化简律等进行了研究,讨论了完全格、负概念格和三支概念格之间的同构问题。在给定的条件约束下,实现了完全格到概念格、负概念格和三支概念格之间的特征变换。     

直觉模糊信息系统下基于优势关系的邻域粗糙集

粗糙集是处理不确定性信息的有效数学工具,然而,在复杂的环境下,经典粗糙集并不能满足某些特殊的现实需要,因此,为粗糙集引入拓展要素,是增强模型可靠性的重要手段。文章在直觉模糊信息系统下,基于优势关系研究邻域粗糙集模型。首先将直觉模糊数与邻域粗糙集近似算子结合,刻画直觉模糊邻域粗糙近似算子,建立直觉模糊邻域粗糙集模型。然后,引入了优势关系,构建优势邻域类,进而构建基于优势关系下的直觉模糊邻域粗糙集模型,并研究了该模型的上下近似、优势邻域类、集合的基本运算等性质,给出了模型不精确性度量指标。最后通过实例验证了所提出模型的有效性。     

基于粗糙集约简与狮群优化算法的机器人路径规划研究

为了解决机器人路径规划冗余数据多、寻优质量差和收敛速度慢等问题,提出一种粗糙集约简技术与狮群优化算法相结合的寻找机器人最优路径算法.首先,采用栅格法对机器人工作环境建模;其次,用粗糙集知识约简和核对初始决策表进行简化,获得最小化决策表,用于训练初始狮子种群;最后,用改进的狮群算法寻找最优路径.实验结果表明,所提算法路径...     

基于聚集度改进的多过程搜索鸟群算法

针对鸟群算法在寻优后期极易陷入局部最优和过早收敛等问题,引进个体异向觅食过程、飞行转移过程、位置异化过程搜索策略,提出一种基于聚集度改进的多过程搜索鸟群算法。通过引进种群相似度和聚集度的概念来描述鸟群在觅食过程中位置的变化,增加鸟群觅食的可行性搜索范围;在鸟群寻优之后依概率重新随机赋值寻优位置,从而有利于鸟群全局寻优与局部寻优之间的平衡;在模拟鸟群飞行过程中引进学习机制以克服原始鸟群中个体信息交流的单一性,增加鸟群内部信息流动的多样化从而有效提升算法活力,进而改善算法后期易陷入局部最优的状况。实验分析表明,改进方法可以有效提升鸟群的寻优能力、收敛速度和解的稳定性等性能。     

一种改进的Apriori算法

介绍了关联规则挖掘的情况,并在分析关联规则的数据挖掘算法的基础上,提出一个改进的Apriori算法.新算法仅对数据库扫描一次,就能找出所有的频繁项集,从而提高了挖掘的效率,具有一定的实用性     

基于粒子群的三支聚类算法

针对K均值聚类(K-means)算法处理复杂问题时易陷入局部最优值、聚类质量较差等不足,提出一种基于粒子群的三支聚类算法.该算法先以随机产生的聚类中心组合作为初始粒子,构成粒子群;然后,通过调整算法中的速度公式参数,使粒子在迭代过程中能较快速地找出全局最优解,即最优的聚类中心;最后,采用三支决策的方法考察数据与类的关系,把确定归属的数据分配到类的核心域,归属不确定的数据分配到类的边界域.实验结果验证了所提算法的有效性,在寻找全局最优值和聚类结果准确性等方面算法都具有较好的性能.     

基于吸收度的三支决策社团划分算法

该文针对社团划分存在的重叠区域问题引入三支决策思想,提出了一种基于吸收度的社团划分算法(3WD-PPOC).3WD-PPOC首先根据网络结构的重要度矩阵进行社团的初始划分,再利用F吸收度来构建社团间的重叠区,即社团边界域,并得到各社团的正域,最后通过P吸收度来完成对在社团边界域中节点的再次划分和社团正域的更新.对比同类算法,3WD-PPOC具有较低的时间复杂度.实验结果进一步表明:3WD-PPOC能够有效地进行社团划分,相比其他社团划分算法,3WD-PPOC表现出更好的社团划分质量,划分后的各社团结构更紧密.该算法对社团重叠节点的划分具有较好的稳定性.