投影寻踪动态聚类模型

投影寻踪聚类模型在多因素聚类分析中被广泛应用并取得了满意的效果,然而,该模型还存在诸如密度窗宽参数取值经验确定等不足,有待改进提高.本文针对投影寻踪聚类模型的不足,首次把投影寻踪的思想和动态聚类方法结合起来构造投影指标,基于免疫进化算法,建立了投影寻踪动态聚类新模型.新模型一方面在整个运算过程中毋需人为给定参数,聚类结果客观、明确,另一方面,它还具有稳定性好、操作简便等特点.洪水分类的实际应用表明,投影寻踪动态聚类模型切实可行,取得了很好的效果,在多因素聚类分析领域具有广阔的应用前景.     

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.     

基于加速遗传算法的投影寻踪聚类评价模型研究与应用

针对农业生产力综合评价这类高维指标体系决策问题,采用降维技术:投影寻踪分类模型,利用基于实数编码的加速遗传算法优化其投影方向,将多维数据指标(样本评价指标)转换到低维子空间,根据投影函数值的大小评价出样本的优劣,从而做出决策。该模型最大限度地避免了传统评判中权重取值的人为干扰,评价结果更为准确客观,为农业生产力综合评价决策及其它评判决策问题提供一条新的方法与思路。     

评估洪水灾情等级的投影寻踪模型

为检验所订洪水灾情等级标准的合理性 ,解决各单项指标灾情等级评估结果的不相容问题 ,提高灾情等级模型的灾级分辨率 ,提出了一种新的洪水灾情等级模型——投影寻踪 ( PP)模型 ,它的灾级是连续的实数值 .为减少 PP建模的计算量 ,给出了一套建模方案 ,构造了新的投影指标函数 ,并统一用实码加速遗传算法来优化投影指标函数和模型参数 .实例的计算结果表明 ,该方案是有效的和通用的 ,具有广泛的应用前景.     

基于模糊聚类和粗糙集的仿真可信性模糊综合评估

为客观有效地解决仿真可信性评估问题,提出基于模糊聚类和粗糙集的仿真可信性模糊综合评估方法。阐述了基于模糊传递闭包法进行模糊聚类分析的基本步骤,分析了粗糙集中属性重要性的相关原理;提出了基于模糊聚类和粗糙集的可信性模糊综合评估模型,利用模糊聚类和粗糙集中的属性重要性原理客观地进行各因素权重分配,结合模糊综合评判进行仿真可信性综合评估;以某飞行视景仿真系统为例,进行可信性综合评估。结果表明,该方法具有一定的合理性和可行性。     

基于决策者偏好投影寻踪模型的多属性决策法

针对现有主观赋权法和客观赋权法的不足,提出了一种新的综合赋权方法——基于决策者偏好及投影寻踪聚类模型的综合赋权法。该方法运用投影寻踪聚类模型,把多属性决策问题中的高维数据转化到低维子空间,同时用自适应粒子群优化算法来优化投影指标函数和模型参数,获得了决策属性体系最佳投影方向和投影值,揭示了高维数据的结构特征。同时,也考虑了决策者对不同属性的偏好,使对属性的赋权达到主观与客观的统一。最后通过一个仿真实例说明了该方法的可行性与有效性。     

模糊综合评判法与参数投影寻踪评价模型在农机选型中的对比研究

以6种型号的农业机器作为备选机型,分别利用模糊综合评判法与基于加速遗传算法(RAGA)的投影寻踪(PPC)模型进行数据处理,对备选机型选优排序;并对这两种选优模型进行对比分析探讨,指出两种方法利弊所在,同时针对不同归一化数据处理对结果产生的影响进行分析。为该方向的研究提出了新的思路模式。表1,参3。     

最优分类的模糊划分聚类改进方法

模糊划分模型聚类实质上是一个问题的两个方面。本文阐述了最优模糊聚类方法的理论与模型，指出了目前广泛使用的灵优失过程的缺陷，并提出了改进措施；实例研究表明，改进效果良好。     

基于模糊聚类的竞争者识别

从企业战略的角度确定识别竞争者的指标，并采用AHP方法确定权重，在此基础上应用模糊聚类分析法对同一行业的企业进行分类，进而识别企业的竞争者，最后对某企业的竞争者进行了实例分析。     

基于模糊邻近关系的结构聚类

在有序粒度空间理论的基础上,提出了基于模糊邻近关系的结构聚类分析理论和方法.首先,给出了依据距离的一致聚类的概念,提出了模糊粒度空间的一致聚类特征;其次,给出了模糊邻近关系结构聚类的粒度表示,并获得了基于模糊邻近关系结构聚类的快速算法;进而,提出了获取最佳聚类的新方法,并且这一方法是全局最优的;最后,给出了通过两个模糊邻近关系的交运算获取结构聚类融合的方法.为复杂系统结构分析研究提供了一整套理论工具和方法.     

Kernel method-based fuzzy clustering algorithm

1.INTRODUCTION Clusteranalysisdividesdataintoclustersinorderto facilitateunderstandingortofindstructurehiddenin dataset.Clusteringalgorithmspartitionasetofdata objectsintoclustersorclasses,wheresimilardataob jectsareassignedtothesameclusterwhereasdissimi lardataobjectsshouldbelongtodifferentclusters. SinceZadeh(1965)presentedthefuzzysettheory, thefuzzymethodisfirstlyintroducedinclustering problems,whichiscalledthefuzzyclusteringanaly sis.Fuzzyclusteringisawidelyappliedmethodfor acquiri…     

基于改进的模糊C-均值的分级递减聚类算法

提出了基于改进的模糊C-均值的分级递减聚类算法,利用改进的模糊C-均值聚类算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类数数据集的聚类。实验结果表明,本算法对未知类数、具有高斯分布的数据集具有聚类效果好、收敛快的特点,且对于类数较多的数据集,本算法也是一种快速聚类算法。     

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。     

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.     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

基于进化规划的FCMBP模糊聚类改进方法

分析了基于摄动的模糊聚类方法(fuzzyclustering method based on perturbation, FCMBP),指出指数复杂度的遍历过程是目前PC计算环境下难以处理十阶以上较高阶数模糊相似矩阵的原因.把寻求具有最小"失真"的最优模糊等价矩阵看作优化问题 来求解,提出了一种基于进化规划的FCMBP模糊聚类改进方法. 与FCMBP相比,该方法通过引入基于进化规划的优化技术避免了遍历过程,使其能够对高阶模糊相似矩阵进行处理. 得到的等价矩阵"失真"小于传递闭包法所得结果,从而获得更为精确可靠的聚类效果, 将FCMBP模糊聚类方法推广到能够处理高阶模糊相似矩阵的情形, 满足应用需要.     

基于折线模糊数多属性指标信息的FCM聚类算法

折线模糊数是借助实数的有序表示来确定一类模糊信息,它不仅可以按任意精度逼近一般模糊数,而且也克服了基于Zadeh扩展原理的模糊数四则运算的复杂性.该文首先引入折线模糊数定义及其有序表示,并给出它的扩展运算和度量公式.其次,采用折线模糊数的有序表示描述了待聚类对象的多属性指标信息,进而依据目标函数给出最优模糊划分(矩阵)和聚类中心的计算公式,并基于折线模糊数刻画多属性指标信息的模式提出(fuzzy c-means)FCM聚类算法.最后,通过算例说明该算法比梯形模糊数刻画指标信息更具优越性.