FCMBP聚类法在语音识别和模糊控制中的应用

首先从理论上证明了FCMBP模糊聚类方法,即基于摄动的模糊聚类方法,比传递闭包法失真小;其次,用例子说明这两种聚类方法的聚类结果并不总是相同,有时还会产生本质差异;再次,提出用FCMBP模糊聚类方法设立语音模式的参考向量集来进行语音识别,该方法能提高语音识别的正确率;最后,利用FCMBP模糊聚类方法滤除量测数据对中的噪声,再用这些处理过的数据构造模糊控制规则,从而是达到模糊控制规则的优化。     

信息不完全确定的群体多准则语言聚类方法

针对决策者权重和准则权重信息不完全确定,且评价信息为语言值的多准则聚类问题,提出了一种新的求解方法。首先通过证据推理算法,将方案集的群体多准则语言评价信息转化为方案集模式样本,该模式样本是决策者权重和准则权重的不确定信息的非线性函数,然后根据K-均值方法,利用惯性粒子群算子对模式样本集进行聚类,得到最优聚类中心和方案集的最优聚类。最后实例说明该方法的可行性和有效性。     

科学家合作网络的聚类分析

在自建的经济物理学科学家合作网络的基础上，实现了层次聚类法和介数聚类法．并将他们应用到对经济物理学科学家合作网络结构的聚类分析中，在理论层次对两种方法进行了比较，同时将两种算法的计算结果与现实进行对照，发现介数聚类的结果与现实吻合得较好。在充分理解Newman提出的Q函数的基础上，讨论了聚类过程中的最佳集团数。     

一种基于旋转最小-最大超盒的聚类算法

针对传统聚类算法无法解决复杂分布数据聚类的问题，本文提出了一种基于旋转最小-最大超盒的聚类算法。该算法首先对数据急归一化处理，然后借助旋转最小-最大超盒对样本空间进行划分，从而生成一系列的初始分类，最后利用类别间的可融合度概念将初始类别融合为最终的聚类。仿真结果表明，该算法在无需聚类数目的前提下，对复杂分布数据具有很好的聚类效果，其聚类性能与传统的FCA相比有极大的提高。     

基于核密度估计的层次聚类算法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常基础且非常重要的研究课题，具有广泛的应用前景。在众多的聚类方法中，基于密度的方法是一种相当有效的聚类方法，能够发现任意形状的聚类，对噪声数据不敏感，但是聚类结果严重依赖于用户参数的合理选择。以DENCLUE算法为基础，一种基于核密度估计的层次聚类算法被提出，该算法首先优选窗宽σ产生较好的核密度估计结果，然后以密度函数的局部极大值点为聚类中心形成数据的初始划分，最后根据密度函数的鞍点递归合并初始聚类产生不同层次的划分模式。理论分析和仿真实验结果显示，该算法能够发现任意形状、大小和密度的聚类，能够有效处理噪声数据，而且聚类结果不依赖于用户参数的仔细选择。     

基于rollout策略下的决策实体配置问题求解方法

针对传统层次聚类法采用贪婪策略的聚类过程可能无法达到聚类效果最优的情况,提出了一种基于rollout策略下的层次聚类法对所得聚类方案进行优化改进。分析了聚类过程中决策实体、平台与任务之间的关系以及约束条件,以作战任务的执行时间作为工作负载测度,建立以决策实体工作负载的均方根(root mean square, RMS)为目标函数的问题数学模型,以任务与平台的分配关系作为输入信息,在基于最小RMS值的平台合并准则下采用rollout策略对层次聚类法的每层聚类进行优化,得到平台与决策实体的优化配置关系。最后通过联合作战仿真算例和一般算例进行仿真分析,验证了该方法的可行性和优越性。     

DC-DC变换器的模糊神经网络控制方法研究

提出了一种新型的模糊神经网络串联式结合方式。这种串联型模糊神经网络具有模糊控制的结构简单、使用方便的特点，同时又利用了人工神经网络的聚类功能，使整个控制器又具备人工神经网络的自学习能力。仿真试验表明该控制方法对于复杂的全桥式串联共振型DC—DC变换器具有良好的控制效果，整个模糊神经网络控制器的设计过程不仅避免了传统控制器的繁琐的参数调节过程，而且又避免了传统模糊神经网络控制器设计的复杂性。     

基于类内差和改进划分系数的聚类有效性函数

针对改进划分系数对模糊聚类有效性的判决并不十分理想,提出了将类内差和改进划分系数相结合的两个聚类有效性函数。该聚类有效性函数从数据聚类效果要求类内样本越相似而类间样本相差越大的观点出发,通过将反映数据聚类类内紧致性程度的类内差和类间分离性程度的改进划分系数相结合,并考虑到模糊C 均值聚类算法的适用条件作为构造聚类有效性函数的约束因子,得到新的聚类有效性标准。给出应用该函数进行模糊C 均值聚类有效性判决的具体步骤,通过仿真实验证明该有效性函数具有良好的分类性能。     

基于模糊聚类的信息不完全确定的多准则分类方法

针对权系数信息不完全确定且有训练集的多准则分类决策问题,提出了一种基于模糊聚类的分类方法。该方法在考虑对训练集分类的基础上,结合不完全确定的准则权系数信息等建立模糊聚类模型,通过遗传算法求解所得优化模型,得出准则权系数和聚类中心,计算方案属于各类别的隶属度,进而得到整个方案集的分类。实例说明了该方法的有效性和可行性。     

超密集网络中基于聚类的资源分配方案

超密集网络(ultra-dense network, UDN)中,毫微微基站(femto-cell base station, FBS)的密集和随机部署会导致严重的小区间干扰。为了减轻干扰、保障用户服务质量(quality of service, QoS),提出了一种UDN中基于聚类的资源分配方案。首先,设计了一种基于加权密度的改进K-means聚类算法,将FBS动态划分为不同的簇。然后,以最大化UDN系统吞吐量为目标提出了一种两阶段时频资源分配方案:第一阶段,每个聚类内使用贪婪算法执行时频资源块的分配;第二阶段,利用资源补偿分配算法分配剩余的资源块,在考虑用户公平性的同时保证用户QoS。仿真结果表明,本文提出的资源分配方案能够有效提升系统吞吐量,同时保证用户QoS和公平性。     

一种使用支撑集的区域型模糊聚类算法

使用支撑集和模糊待分集的概念来描述数据集的分布。在此基础上提出了一种基于类别融合的区域型模糊聚类算法 (regionalfuzzyclusteringalgorithm ,RFCA) ,并就该模型的两个聚类参数 (δ和ε)对聚类性能的影响进行了分析。仿真结果表明 ,该算法有比常用的模糊C均值更好的聚类性能。     

基于退火的状态转移式模糊C-均值聚类算法

传统的模糊C -均值 (FCM)聚类是一种基于梯度下降的优化算法 ,该方法对初始化较敏感 ,且易陷入局部极小。借用模拟退火中系统温度的概念 ,提出基于退火的状态转移式模糊C -均值聚类方法 ,利用温度来控制类别中心的选取概率。实验结果表明 ,该方法可克服系统对数据集及初始解的敏感度 ,且能尽量避免陷入局部极小 ,而获得质量更优的解。     

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.     

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。     

基于分离性测度的数据分类效果评价

针对模糊C-均值聚类算法对初始化分类参数(包括起始聚类中心位置和初始化分类隶属度矩阵)的选择比较敏感而导致分类结果差异性较大,以及错误分类会给解决实际问题带来难以预料的后果的情况,从数据的类内紧致性的对偶面即分离性入手,提出了基于分离性测度的分类效果好坏的评价准则。实验结果表明,定义的分类效果评价准则函数是可行的。     

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。     

带有测量噪声的Ⅱ型T-S模糊建模

实际工业生产过程中,系统的数据带有测量噪声.Ⅱ型模糊集的二阶隶属度用来表征一阶隶属度的模糊度,这种模糊度的增加意味着处理不确定信息能力增加.因此,提出了一种基于Ⅱ型模糊集的T-S模糊建模方法来减少由噪声带来不确定信息的影响.首先采用改进的最小邻域算法对带有测量噪声的数据进行聚类,继而确定Ⅱ型模糊集的一阶隶属度,接着根据数据的聚类信息采用高斯混和模型得到二阶隶属度值,然后用正交最小二乘算法确定模糊模型的后件参数,最后通过仿真实验来验证该方法的有效性.     

球型模糊c均值算法在中文文本聚类中的应用

一般的聚类算法只能将给定的文本归到一个类,但实际的文本往往属于多个类。提出一种基于球形的模糊c-均值算法的中文文本聚类方法。聚类方法仅考虑文本向量的方向而不考虑文本向量的大小。同时,聚类方法能充分考虑文本隶属于类的程度,并能通过用户给定的阈值将给定的文本归到多个类。实验表明,球形的模糊c-均值算法不仅具有好的聚类精度,而且能找出属于多个类的文本。