基于样本模糊隶属度归n化约束的松弛模糊C均值聚类算法

模糊C均值聚类算法(FCM)由于样本模糊隶属度归一性的约束,导致FCM算法对噪声数据敏感。提出松弛模糊C均值聚类算法(RFCM),RFCM算法在可能性C均值聚类算法(PCM)目标函数的基础上,放弃了FCM算法单个样本模糊隶属度归一化约束,转为n个样本模糊隶属度之和为n的约束;并利用粒子群算法对样本模糊隶属度进行优化估计,使得模糊指标可拓展为m0的情况,同时采用梯度法得到RFCM算法聚类中心迭代公式。RFCM理论分析了算法对噪声数据抗噪的原理,解释了RFCM算法模糊指标m0的合理性,讨论了RFCM算法的收敛性。基于Gauss数据集和UCI数据集的仿真测试验证了所提出算法的有效性。     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

鲁棒性模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)在参数输入受人为限定,且在系统应用中易受噪声或孤立点数据的干扰等缺点,提出一种鲁棒性FCM聚类算法(RFCM),以降低噪声或孤立点的影响。     

基于空间可信性聚类的图像分割算法

为解决噪声图像分割问题,提出了基于可信性测度并利用局部空间连续性的模糊聚类算法。采用可信性测度描述隶属度,去除了模糊c均值聚类中各像素对于所有类的隶属度之和为1的约束;并利用相异指标将局部空间信息引入聚类从而增强了抑制噪声的能力。隶属函数的参数可由数据集特点计算,削弱了参数选择的影响。提出预选准则以提高模糊聚类的稳定性。计算复杂度分析和实验验证了算法的可行性与实用性。结果表明:该算法在分割质量和效率等方面优于现有算法,适用于各种噪声图像的分割。     

改进模糊聚类算法及其在入侵检测中的应用

针对将数据集隶属度概率和为1的条件用于模糊性事件时,影响聚类的正确率的情况,在不确定理论的基础上,研究了数据隶属度问题,提出一种新的基于隶属关系不确定的可能性改进模糊聚类算法.该算法在迭代过程中将聚类的可能隶属度与不确定性隶属度引入到目标函数中,使得样本中的元素不局限于仅属于一个聚类,与现有的聚类算法相比具有更好的聚类结果.通过在KDDCUP99数据集上实验,验证了该算法在入侵检测中的检测率为95.8%, 分别高于K-均值算法的检测率(60.4%)和FCM算法的检测率(64.6%).     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

FPCM算法在彩色图像分割中的方法研究

在改进模糊c均值聚类（MFCM）算法基础上提出模糊可能性c均值聚类（FPCM）算法的图像分割方法,并将FPCM算法应用在彩色图像分割过程中．FPCM算法是FCM聚类算法和MFCM算法的扩羼衍生．MFCM算法是通过调整FCM算法的测量距离来减少标签像素受到其他图像像素的影响和在切分中抑制噪声效果来进行约束,从而使得成员变量没有最大约束值．FPCM算法是在MFCM算法基础上进行模糊化,加入了可能性和隶属度两个度量标准．通过彩色图像实验充分表明了FPCM算法在图像分割中的实际效果．     

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

在模糊C-均值聚类问题目标函数中使用正则化泛函,将聚类中心解的误差指标引入到模糊聚类的目标函数中,构造出新的模糊C-均值聚类算法RBFCM(Regularization based Fuzzy C-means)算法.算法RBFCM不仅具有较高的聚类精度,且计算结果具有更好的稳定性.进一步,将此RBFCM算法应用于基于T-S模糊模型的系统辨识问题.由于RBFCM算法优化了模糊系统的输入空间划分,提高了隶属度函数的精度,使得后继得到的T-S模糊系统辨识精度也有所提高,且系统辨识过程的收敛速度也有所改善.最后,通过对经典IRIS数据集、带有噪声的IRIS数据集的聚类算例和对Box-Jenkins煤气炉数据集进行辨识算例,验证了RBFCM算法的有效性和优越性.     

模糊环的再定义

利用模糊空间理论定义模糊环和模糊子环 ,并研究了它的基本性质 ,建立了研究模糊环的新的理论体系 ,弥补了传统模糊环定义中无模糊泛集和模糊运算的不足 ,是传统模糊环概念的规范化和一般化     

Fuzzy集的Fuzzy势和Fuzzy基数

首先定义了ｆｕｚｚｙ集的１／ｎ－度等势关系,在此基础上定义了ｆｕｚｚｙ集的１／ｎ－度ｆｕｚｚｙ基数,讨论了有关性质,并进一步推广定义了更一般的ｆｕｚｚｙ势与ｆｕｚｚｙ基数概念,即Ｔ－度ｆｕｚｚｙ势与ｆｕｚｚｙ基数。     

环的生成模糊理想

采用一种新的方法，即利用确界刻画环中由模糊子集生成的各种模糊理想，给出了建立各种生成模糊理想的构造定理，其结果在模糊代数和计算机科学研究中将产生重要影响。     

F值函数关于F值F测度的F积分

以非负F数的概念的基础,定义了取值的非负F数的F测度,研究了非负F值函关于F值I测度的F积分,得到了该种积分的定义,性质和收敛定理,使得Sugeno的数值F积分得以推广。     

环上的Fuzzy关系

本文旨在讨论R上的Fuzzy关系与环上R上的Fuzzy子环之间的联系。并由此而建立环R上的Fuzzy关系成为Fuzzy子环,Fuzzy理想,Fuzzy极大理想的充分必要条件及环R上的Fuzzy子集成为Fuzzy素理想与Fuzzy不可约理想的充分条件。     

基于区间推理的模糊分类器

在分析区间值模糊集理论和现有模糊分类器的基础上,提出一种新的基于区间值推理的模糊分类器的设计方法,并且对R．A．Fisher的iris数据库进行了分类实验处理,结果证明其分类的正确率超过90％,而且该方法计算简便,运行速度快,因而该分类器的设计方法具有良好的实际应用前景．     

半群的素模糊理想刻画

对半群S的素模糊理想进行了研究，借助半群S的模糊点和模糊左(右)理想给出了半群S的素模糊理想的刻画．     

模糊域上的模糊商代数

重新定义了模糊域上的模糊商代数,研究了模糊域上的模糊代数与模糊理想的性质,并给出了模糊商代数的同构定理.     

混合型模糊Agent结构

针对实际系统所具有的内在不确定性,提出了一种具有学习能力和通信能力的混合型模糊Agent结构,该结构由学习模块、通信模块、控制算法模块、知识模块和输入输出模块组成.文中根据Agent本身所具有的模糊性,定义了它的模糊愿望集、模糊信念集及模糊意图集,介绍了每个模块的作用及工作原理,同时给出了Agent以自治方式工作的流程图.仿真结果表明,这种混合型模糊Agent可实现对复杂系统在3种状态下的稳定控制,具有较强的学习能力和适应性.     

模糊极限的一种新定义

在模糊分析中模糊极限的定义都是基于扩张原理的形式给出的,并且都是对元素遍历某个条件或取λ遍历[0,1]所对应的全体结果进行运算,这种运算中的遍历过程给模糊极限的定义形式及其应用带来了极大的不便。利用模糊结构元方法给出了模糊极限的一种新的定义,这种形式摒弃了对元素遍历的繁琐运算,使得该定义运用起来更加灵活简便,而且也体现了模糊结构元方法在简化模糊分析计算方面的优越性。最后给出了 3 个结论,即极限的加减法与数乘定理、极限唯一性定理、有界性定理,