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m>0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m>0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。     

由三I算法构造的一些模糊控制器及其响应能力

首先给出了51个模糊蕴涵算子的三I算法的表达式,在此基础上详细讨论这51个模糊蕴涵算子基于三I算法构成的单输入单输出和双输入单输出模糊控制器,并分析了它们的响应能力.结果表明,只有1个模糊蕴涵算子基于三I算法构成的模糊控制器具有函数的泛逼近性;另有1个模糊蕴涵算子基于三I算法构成的模糊控制器近似为拟合函数;35个蕴涵算子基于三I算法构成的模糊控制器只具有阶跃响应能力;14个模糊蕴涵算子基于三I算法构成的模糊控制器为未定型.     

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。     

基于模糊逻辑的雾天图像增强改进算法

针对传统模糊增强算法的缺陷,提出了一种基于正弦函数变换的模糊增强算法.该算法首先对雾天图像进行规范化,降低不同雾况对图像灰度级分布范围的影响;其次通过一种改进的模糊化算法将图像从灰度域变换到模糊域,在模糊域内对低灰度区域进行衰减运算,对高灰度区域进行增强运算;最后将图像从模糊域变换到灰度域.试验表明,该算法可以有效提高...     

网页文献的快速模糊聚类

基于对文献聚类的3种方法(c-means法、模糊c-means法和学习向量量化法)的统计和分析,借鉴了模糊聚类思想,尤其是用协方差矩阵来描述聚类的形状和大小,并将其应用于学习向量量化算法中。针对新的参考向量开发了模糊竞争学习模式,并用该算法成功地解决了文献聚类的难题。实验结果表明:学习向量量化算法能有效地解决文献的聚类问题,运行时间短;该算法与模糊聚类算法相比更健壮;该算法使在线文献聚类分析成为可能。     

基于变异算子改进蚁群算法学习的模糊认知图

传统的模糊认知图学习算法需要依靠专家知识来建立模糊认知图模型。在专家知识受到限制的一些领域,完全通过数据来学习模糊认知图的算法是有必要的。提出的基于蚁群优化的学习算法,可以有效做到通过历史数据学习模糊认知图;为避免蚁群算法陷入局部最优的问题;以及其学习所得模型不够精确的问题,引入变异算子以改进蚁群算法,来提高算法性能,避免局部最优问题,得到更准确的模型。最后,算法性能在人工数据上进行了测试。实验表明,算法性能良好,可以得到准确的模糊认知图模型。     

模糊权值网络最小生成树问题研究

针对边权值为梯形模糊数的模糊权值网络,提出一种求解该网络最小生成树问题的新算法.该算法首先基于梯形模糊结构元加权排序思想,将梯形模糊数转化为其加权特征数进行排序;然后利用经典的Dijkstra算法求解转化为边权值确定的网络的最小生成树问题,即得该模糊权值网络的最小生成树;最后对算法的复杂度进行分析,并通过算例验证了算法的有效性.     

一种利用遗传算法自动生成模糊规则方法

将遗传算法用于模糊系统的建模中,在分析经典遗传算法基本原理的基础上,提出了算法的改进措施;重点阐述了模糊系统中遗传与变异的作用,从而提出了一种具有很强进化能力的模糊规则生成算法,为智能系统获得模糊规则提供了一种有效方法。模拟结果验证了该算法的正确性。     

一种新的动态进化聚类算法

针对模糊聚类算法不适应复杂环境的问题,提出了一种新的动态进化聚类算法,克服了传统模糊聚类建模算法须事先确定规则数的缺陷。通过改进的遗传策略来优化染色体长度,实现对聚类个数进行全局寻优;利用FCM算法加快聚类中心参数的收敛;并引入免疫系统的记忆功能和疫苗接种机理,使算法能快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型,可同时得到合适的模糊规则数和准确的前提参数,将其应用于控制过程可获得高精度的非线性模糊模型。     

基于天牛须种群算法的整周模糊度解算算法

如何快速、准确的固定整周模糊度是载波相位测量中的一个关键问题。为了提高整周模糊度搜索速率,本文提出了一种基于天牛须种群算法(Beetle Antennae Colony Search, BACS)的整周模糊度解算算法。通过与BAS算法、BAS-Nadam算法、LAMBDA算法以及MLAMBDA算法进行解算速率、稳定性的对比实验,在三维模糊度解算时,BACS算法在与LAMBDA和MLAMBDA算法解算成功率相当的情况下,能利用更少的时间搜索到模糊度最优解。为了验证BACS算法在高维模糊度解算以及工程解算情况下是否适用,进行了高维模糊度解算的实验以及单频单GPS系统下BACS算法的应用实验。分析及实验表明,BACS算法能很好保证高维模糊度解算的实时性和鲁棒性,对于12维模糊度解算,平均解算时间0.068秒,解算成功率为92%,对于低维模糊度解算,解算速率更快,解算成功率更高。在单频单GPS系统工程解算中,x,y,z方向定位精度分别为±0.008米,±0.01米,±0.01米,能达到厘米级精度定位。     

RTK快速求解整周模糊度算法及应用

分析了GPS-RTK测量速度的关键即解算整周模糊度,通过对RTK整周模糊度算法原理的分析,提出了快速RTK求解整周模糊度算法.该算法首先确定未知点的初始坐标,进而得到初始模糊度;然后以初始值为中心建立一个搜索空间,应用最小二乘原理搜索出准确的模糊度值.     

基于最小二乘支持向量机的TSK模糊模型

为了提高模糊系统处理高维问题的推广能力, 本文提出用最小二乘支持向量回归机(LSSVR)的思想设计TSK模糊模型.TSK模糊模型的传统算法普遍存在过学习问题, 为此我们在目标函数中考虑了结构风险从而避免了过学习现象.并且,我们将模糊系统的参数寻优问题转化为一个二次规划问题进行求解.由于该规划问题的求解与输入数据维数无关,适用于处理高维数据.算法分为两步：首先用Gustafsonk-Kessel (GK)算法确定模糊规则的前件;然后用最小二乘支持向量算法确定模糊规则的后件,这里的核函数是由模糊聚类确定的, 经证明它是Mercer核.三个著名数据的实验结果表明,与TSK模糊系统的传统算法相比,本文所提的算法提高了TSK模糊系统处理高维问题的推广能力;与LSSVR相比,,本文所提的算法具有良好的鲁棒性.     

模糊判断矩阵加性一致性局部修正算法

研究了群体决策中模糊判断矩阵加性一致性修正问题.在给出模糊判断矩阵有关概念的基础上,通过模糊偏序,给出模糊判断矩阵之间距离测度的一般定义,进一步提出新的可接受加性一致性,并设计群体决策中模糊判断矩阵加性一致性局部修正算法,验证了算法的收敛性;最后,通过算例说明本文给出的加性一致性修正算法,并与已有算法进行对比说明提出方法的优点.     

基于企业核心能力的动态联盟评价体系研究

在研究基于企业核心能力的制造资源综合评价模型、综合评价指标体系和模糊综合评价算法的基础上,构建动态联盟评价指标体系;提出了应用模糊综合评价算法对动态联盟评价体系,形成基于模糊算法的动态联盟制造资源综合评价模型和算法。它减小了编程量,并可根据实际需要,不断提高评价精度。     

粒子群优化模糊聚类算法在煤气鼓风机组振动故障诊断的应用

针对模糊C均值聚类算法容易陷入局部极值和对初始值敏感的缺点,提出了一种粒子群优化模糊聚类算法,该算法利用粒子群优化算法寻找最优聚类中心,运用WFCM进行加权模糊聚类,能较大提高聚类的有效性;将该算法应用于煤气鼓风机组振动故障诊断中进行诊断仿真,结果表明:该算法较大提高了故障诊断的正确率。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

基于模糊迭代算法的曲面恒力跟踪

针对机器人末端执行器对曲面轮廓跟踪时难以得到恒定跟踪力的问题,对机器人末端执行器和曲面轮廓的接触力进行了研究,建立了研究对象曲面法向力和已知传感器坐标系的映射关系,提出了一种模糊迭代算法.模糊迭代算法不需要得到系统内部传递函数,简化了建模设计,同时,模糊迭代算法根据上次实验力误差以及误差变化量模糊补偿机器人的轨迹,加快了收敛速度,文中在理论上证明了模糊迭代算法有界收敛.实验结果显示:接触力的波动范围在±3 N之内,验证了此算法的可行性,相比于传统的比例微分(PD)算法,接触力误差波动的均方差减少了42%;相比于未进行模糊补偿的算法,在所选择的时间段内迭代周期至少减了1次.     

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题, 提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法. 首先在标准遗传算法的交叉操作中引入方向因子, 使参与交叉的个体向最佳个体靠近, 加快算法的收敛速度, 并通过增强群体间的信息共享机制提高算法的全局搜索能力, 避免了早熟收敛, 改善了全局解的精度; 然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心, 实现图像分割; 最后采用仿真实验测试算法性能. 实验结果表明, 相对于传统模糊均值聚类算法及其他图像分割算法, 本文算法在分割正确率、 分割速度及鲁棒性上均更优.     

基于加权直觉模糊兰氏距离的密度峰值聚类算法

利用传统的聚类算法对直觉模糊集进行聚类分析时,存在对异常值敏感、复杂度较高的问题,不适用于大规模直觉模糊数据的聚类。针对上述问题,提出了一种基于密度峰值思想和加权兰氏距离的直觉模糊聚类算法（WIFDPL）,用来提高算法对直觉模糊数据的检测精度,降低算法的复杂度。由于现有直觉模糊距离算子不满足距离度量的定义,提出了一种新的直觉模糊兰氏距离算子,减少了数据的偏移程度,降低了对异常值的敏感程度;由于凝聚型层次聚类算法复杂度较高,采用密度峰值聚类算法对直觉模糊集进行聚类,显著提高了算法的运行效率。实验结果表明,利用改进的直觉模糊兰氏距离提高了聚类精度,且新算法复杂度较低,更适用于大规模直觉模糊集的聚类。     

CINRAD/SA天气雷达双PRF技术I/Q信号仿真及算法对比验证

以CINRAD/SA天气雷达双PRF技术为研究对象,采用大气分层模型,建立基于端到端I/Q时域信号仿真算法,生成I/Q仿真信号并进行可靠性验证.对比分析不存在速度模糊、低重频下的速度模糊和双重频模糊情况下的快速傅里叶变换算法FFT和脉冲对算法PPP的评估精度,并分别采用标准解模糊算法和改进解模糊算法进行速度解模糊对比计算.统计分析结果表明:基于端到端I/Q信号仿真算法能对探测体内的风速细节进行很好的描述;当发生速度折叠时,脉冲对算法PPP的评估精度要高于快速傅里叶变换算法FFT的运算精度,同时改进解模糊算法精度高于标准解模糊算法,且与单PRF下的脉冲对算法PPP的评估精度相当.