基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

基于改进的模糊聚类在模糊神经网络中的应用

将基于粒子群的模糊C均值聚类应用于模糊神经网络中规则库的生成及优化中。避免了传统模糊C均值聚类用于对输入变量空间进行划分并生成初始规则库的盲目性和随机性。     

基于遗传算法的模糊c-均值聚类算法

基于误差平方和准则的模糊c-均值算法(FCM)是一种典型的动态聚类算法,其求解结果通常是局部最优解;当模糊集合之间的并、交、包含运算采用传统定义时,在模糊c-均值聚类结果中还会存在无意义的聚类集.研究表明采用遗传算法进行模糊c-均值聚类(Fuzzy c-means algorithm over genetic algorithm,GFCM)时,不仅能够消除无意义的聚类集,而且还在一定程度上避免模糊c-均值算法收敛到局部最优解,为此设计编码、选择、配对交叉、变异等步骤.测试数据实验表明采用GFCM算法的结果优于FCM算法.     

改进模糊聚类算法在入侵检测中的应用

在模糊c均值算法基础上,提出一种将粒子群算法与c均值算法相结合产生基于自适应粒子群优化的模糊聚类算法(APFC).用KDD cup99数据集进行评估模糊c均值算法和APFC算法检测性能.试验结果表明, APFC均值算法能够避免模糊c均值算法固有的缺点,检测率提高和误报率下降,并且有较高的检测性能.     

基于模糊c-均值算法和遗传算法的新聚类方法

为了得到最佳聚类数和相应的每一类中的样本,文中首先介绍了一种新聚类方法,用该方法构造了一个既考虑类与类之间的分散程度、又考虑同一类紧凑程度的目标评价函数;再运用模糊c-均值算法(FCM)进行迭代,求得每一类的中心和隶属度值;然后运用遗传算法搜索全局极值点;最后运用该算法对我国全要素生产力进行了模糊分类．     

基于模糊熵的聚类有效性分析

模糊熵描述了一个模糊集的模糊性程度.本文将模糊熵应用于聚类有效性的分析.指出用于聚类有效性判决的划分系数是一个基于模糊熵的聚类有效性判决准则.最后通过几组数据对不同模糊熵公式的判决功能进行了比较实验.     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。     

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于改进树种算法的模糊聚类图像分割

元启发式人工智能优化算法应用于模糊聚类图像分割一直是研究热点.树种算法(TSA)是一种比较有效的智能优化算法,但标准TSA中的固定判断参数ST影响算法的收敛速度.为此,提出了随迭代次数逐渐增大的变量,并且将步长因子构造相应的非线性递减函数,使得迭代初期侧重于树种的全局搜索而后期侧重于局部搜索,提高TSA算法收敛的精度和速度.将改进TSA算法用于模糊C均值聚类算法(FCM)聚类中心生成的过程得到基于改进树种算法的模糊聚类(ITSA_FCM),这一举措能有效地避免FCM陷入局部最优.改进的算法具备优异的聚类效果和较快的运行速度.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

一种基于遗传算法的模糊聚类

对模糊c均值聚类算法（FCM算法）进行了讨论，说明FCM算法一般得不到全局最优分类，因此结合FCM算法提出了用遗传算法进行寻优求解，从而将遗传算法用于模糊聚类分析，最后的实例表明，遗传算法在处理多样本、多属性、多类别问题时，是一种有效的方法。     

基于混合微粒群算法的智能水下机器人模糊神经网络控制

为减少因水下机器人模糊神经网络控制器参数较多、手工调整困难及主观不确定性因素的影响,提出一种基于免疫理论和惯性权值非线性递减策略的混合微粒群算法.该算法在保持基本微粒群算法处理多峰和多维问题能力的基础上,根据粒子浓度和适应度来动态调整约束因子,同时结合惯性权值非线性递减策略来抑制算法早熟收敛,平衡全局和局部搜索能力.在与GAI、GA及基本微粒群算法的仿真比较试验中,该算法搜索到最佳近优解,且其收敛速度最快.在水下机器人仿真平台上的控制试验表明,基于混合微粒群算法的控制器性能良好,具有较强的抗海流干扰能力.仿真结果证明了该算法的可行性.     

基于蚁群算法的模糊C-均值聚类算法

提出了一种基于蚁群算法（ACG）的模糊动态C-均值聚类算法的声纹识别，该算法首先利用蚁群算法的较强处理局部极值的能力，克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点，动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上，从语音信号中提取待识别的特征矢量集，对待识别声纹信号进行识别.实验证明，该算法解决了算法对初始值敏感，易陷入局部最优的问题，且计算简单，识别率较高，具有较好的鲁棒性.     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于化工过程预报的模糊聚类神经网络系统

为了解决化工预报过程中的复杂问题，利用神经网络、模糊系统和演化算法等智能控制理论，提出了模糊聚类神经网络系统模型（FCNNS）。该模型的特点是利用模糊聚类算法提取典型数据，然后将典型数据送入神经网络系统进行学习产生模糊规则。该模型缩短了规则生成的时间，有效地防止了规则数爆炸，并在化工过程预报的应用中获得理想效果。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法(APSO)较强全局寻优、快速收敛的特点和模糊C-均值算法(FCM)对初始值敏感、容易陷入局部最优的缺点.提出一种基于自适应粒子群优化算法的模糊聚类算法(APFM).新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力.实验表明:新算法与单一的FCM和APSO算法相比聚类更准确,效率更高.