联机核模糊C均值聚类方法

基于核模糊C均值(kernel fuzzy C-means, KFCM)提出了一种针对较大规模数据的联机核模糊C均值 (online kernel fuzzy C-means, OKFCM) 算法,同时考虑到核参数的选择困境,借鉴多核学习思想,进一步衍生出了联机多核模糊C均值 (online multiple kernel fuzzy C-means, OMKFCM) 算法。由此,在有效缓和核参数选择难题的同时,新算法不仅继承了KFCM优越的聚类特性且适合聚类数据流。最后,在人工和真实数据集上验证了新提出的核联机算法比现有基于划分的大规模数据处理算法具有更好的性能。     

模糊C均值算法参数仿真研究

通过对制造单元构建领域的20组文献数据的仿真实验,研究了不同参数对FCM聚类性能的影响,得出了面向制造单元构建的FCM最佳参数组合。实验结果表明:(1)随着模糊度指数m的增加,成组效果降低,聚类时间减少;(2)随着停止参数ξ的减小,不可行方案数量增加,聚类时间增加;(3)FCM的最佳参数选取为模糊度指数等于2,停止参数等于0.01。     

广义均衡模糊C均值聚类算法

模糊C均值聚类(FCM)算法是一种快速有效的聚类算法,但它没有考虑各类样本容量的差异, 其最小化代价函数会导致聚类判决有利于少样本类.提出一种新的聚类算法—-广义均衡模糊C均值聚类, 通过对模糊C均值聚类最小化代价函数的改进,使得样本容量在聚类代价函数中发挥效用, 从而弱化了样本容量差异对聚类判决的干扰.讨论分析了该算法的性质,模糊隶属度的推导突破了FCM解析解的约束. 通过仿真实验,验证了所提出算法的有效性.     

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

模糊C均值聚类算法的一种初始化方法

模糊Ｃ均值聚类算法（ＦＣＭ）在图像处理和模式识别中有着广泛的应用，该算法实质上是一种局部搜索寻优方法，对初始值很敏感，容易陷入局部极小值。当聚类数比较多时，往往得不到满意的聚类结果。本文首先讨论了ＦＣＭ算法初始化对聚类结果的影响，然后提出了一种基于形态处理的ＦＣＭ初始化方法。这种方法不仅可以得到比较满意的聚类结果，而且可以自动确定聚类数。     

基于遗传优化的采样模糊C均值聚类算法

在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向数据库的数据挖掘经常要处理大量、高维的数据.在这种情况下,FCM算法在时间性能上难以令人满意.本文基于采样技术对FCM算法进行改进,以提高算法的时间性能,并利用遗传算法对聚类结果进行优化以保证聚类的质量,给出了一种新的基于遗传优化的采样模糊C均值聚类算法SFGO(SamplingFCMwithGeneticOptimization).仿真实验证明SFGO算法在大规模数据库的聚类挖掘中,在时间性能和聚类质量上都能获得较满意的结果.     

自适应特征熵权模糊C均值聚类算法的研究

特征权重算法对聚类效果有很大的影响,而传统的特征权重算法忽略了特征项在类间和类内的分布情况.因此,研究聚类后样本特征属性表现的有序性程度对聚类结果的影响,分析聚类后样本特征属性的分布情况,提出了一种自适应特征熵权模糊C均值聚类算法.该算法以聚类后的特征熵和信息增益作为准则调整特征权值,通过聚类与权重更新逐步迭代优化,直至获得最优的特征权值.实验表明,自适应特征熵权模糊C均值聚类算法能够有效地区分各个特征属性对聚类效果的重要程度;较于其它加权模糊C均值聚类算法,该算法能够得到更高的聚类准确率.     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。     

基于模糊C均值面板数据聚类的中国省域专利产出分析

本文首先对三维空间中面板数据的曲面几何特征进行了描述,并从"绝对数量"、"增长速度"、"几何相似性"和"空间绝对距离"等几个方面对曲面相似性指标进行了定义和构建,对模糊C均值聚类方法进行了优化.在此基础上,对2000-2010年中国31个省市专利产出活动的类型特征及其地域分异规律进行了探索.实证研究结果表明聚类效果良好,中国专利产出无论数量、绩效还是增速在总体上均呈上升趋势并存在空间异质性和自相关性.创新能力较强的省区虽集中在东部,但正在向中西部地区扩散.同时,创新总体上仍主要来自于政府推动尤其是研发资金投入,并且研发资源投入总量以及研发人员可支配资金的区域配置极不均衡.此外,财政拨款对于东、西部地区创新效率的作用也存在很大差异.因此,政府可根据区域研发能力和资源现状的不同,制定合理的区域科技发展战略与相关政策工具,从而挖掘区域创新动力,提升区域专利创新能力.     

结合模糊C均值聚类和曲线演化的心脏MRI图像分割

提出了结合模糊C均值聚类和曲线演化的MRI图像分割算法。由于心脏的变形和血液的流动，MRI图像中出现了弱边界、局部梯度极大值区域、伪影等现象。分析了使用水平集方法分割此类图像时出现的问题，提出了两阶段分割算法：结合先验知识和直方图，对心脏MRI图像进行模糊C均值聚类，再根据聚类的结果定义窄带中像素点的速度函数，通过曲线演化获取左心室的粗边界；然后使用梯度向量流构造另一速度函数对边界进行细化。心脏MRI图像的分割实验证明了算法的有效性。     

基于航班模糊聚类的时隙分配均衡模型

为了科学合理的利用机场时隙资源,克服现有模型只考虑效率性的缺陷,建立了效率性和公平性转换的均衡优化模型;利用模糊聚类方法对航班进行分组,并计算相应的延误损失费用,应用人工鱼群算法快速求解模型;对20架航班进行算例仿真,结果显示均衡优化模型的总延误损失费用为102800元,高于指派模型和改进的指派模型的83600元,但是最大延误损失费用为10000元,低于指派模型的16000元以及改进指派模型的15000元.仿真结果验证了效率性和公平性不能同时达到最优,说明了均衡模型能够让延误损失费用在各航班之间均匀分配,更具公平性.     

基于模糊投影寻踪聚类的洪灾评估模型

针对洪水灾害样本集的复杂性、随机性以及差异性,本文将模糊聚类迭代理论与投影寻踪技术进行互补融合,构建了模糊投影寻踪聚类模型.该模型采用投影值标准差和投影值欧氏距离平方和来构造投影指标函数,避免了传统投影寻踪模型由于经验性选取密度窗宽导致过于主观的问题;将高维数据低维化后进行模糊聚类运算,再通过对最优投影方向的寻优进行投影寻踪聚类运算,降低了模糊聚类迭代的运算量,实现了两种模型的双重迭代聚类.误差分析及聚类有效性评价表明,互补融合后模糊聚类与投影寻踪聚类的双重迭代聚类使得聚类精度和效果也得到了较大提高;此外,除优化算法初始化参数外,模型无需预设其它参数,也不依赖于随机训练样本,可客观依据历史样本集内在规律来进行洪灾聚类评估.实例研究和方法比较表明,提出的模型计算简洁,且能有效处理洪灾评估中的随机、模糊等主客观不确定性,能够为洪灾风险管理提供科学的决策支撑.     

考虑决策者偏好的洪水灾害模糊聚类迭代评估模型

决策者偏好对洪水灾害的评估结果有重要影响.传统的评估方法可能会出现次要指标权重过大的情况,难以有效体现决策者偏好对评估结果的影响,为此将模糊聚类迭代模型推广到考虑决策者偏好的情况,并给出单一偏好条件下的理论解,提出了基于决策者偏好模糊聚类迭代模型.在该模型中,通过增加一个松弛因子构造一个增广拉格朗日乘子添加到模糊聚类迭代模型的目标函数中,将体现决策者偏好的不等式约束转化为等式约束,并依此求出该偏好条件下权重向量的解析解,可为考虑决策者偏好评估方法的研究提供理论依据;再根据样本特征值矩阵与解得的最优权重向量求出各样本的灾情综合评价值,结合最优隶属度矩阵确定各样本所属洪灾等级,各等级内部样本依据灾情综合评价值排序.该模型直接利用样本特征值矩阵对洪灾样本灾情大小进行识别,降低对最优隶属度矩阵的依赖性,使得排序结果更准确合理.最后,将该模型应用于2013年四川省部分地区洪水资料,验证了考虑决策者偏好模糊聚类迭代模型的理论结果,灾情综合评价值法的排序结果比传统的类别特征值法更合理.     

广义加权多重函数平均组合预测及其参数估计

提出一种新的组合预测模型———广义加权多重函数平均组合预测模型,并利用二次规划算法给出其加权系数的不同参数估计方法。该模型具有广泛的代表性,它集多种组合预测模型于一体,是一种新的群组集结方法,通过选择合适的模型组合形式及最佳的模型参数,能够有效地提高预测精度。预测实例表明了该模型的有效性。     

基于FCM的小波神经网络模型在径流预测中的应用

针对径流变化存在的季节性差异,提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集与观测值之间的局部预测模型,文中采用网络模型分类识别器,可自动搜寻相适应的局部网络模型进行预测.以西南某水库2006年日平均入库来流的计算实例对简单小波神经网络预测模型和文中所建的融合模型进行了比较.     

基于模糊聚类分析的证据组合

针对证据理论Dempster Shafer（D-S)组合规则存在的不足,考虑辨识框架的非完备性,提出一种基于模糊聚类分析的混合证据组合方法。该方法利用Pignistic概率距离构建证据间的模糊相似矩阵及聚类有效性指标,通过传递闭包法对证据进行最优聚类及可信度求取,对证据进行修正后,采用D-S规则对同一类中的证据组合,利用统一信度函数组合方法对不同类中的证据进行最终合成。仿真实验表明了所提方法的合理性和有效性。     

基于动态软聚类的航空电子部件LMKELM诊断模型

为提高小样本条件下航空电子设备模块级故障诊断精度,基于动态软聚类的自适应特点与局部多核学习(local multiple kernel learning,LMKL)的局部特征表达能力,提出一种新的局部多核超限学习机(local mul-tiple kernel extreme learning machine,LMKE...     

引导函数支配的进化模糊聚类算法

建立了多维属性样本的模糊聚类目标函数.构建了引导进化算法收敛的指数函数曲线模型,给出了模型的参数计算方法.设计了一种具有全局变异和局部变异算子的进化模糊聚类算法,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异,并给出了算法的种群进化策略.选择文本分类和点聚类计算实例,实验表明,设计的引导函数是有效的.进化模糊聚类算法具有较强的局部寻优能力,在收敛速度和聚类精度方面优于比较的遗传模糊C-均值聚类等算法.