一种不完全信息下群体决策专家权重的确定方法

研究属性权重为实数且属性值为区间数的群体多属性决策问题,利用区间数的相离度概念及系统聚类分析的方法,先对群体决策的专家进行分类,然后确定每位专家的权重.     

一种基于边界识别的聚类算法

针对基于密度的聚类算法由高密度区到低密度区的处理顺序所带来的不能识别低密度对象类别的缺陷,通过对聚类过程中可能存在的边界识别进行讨论,提出了一种基于边界识别的聚类算法.该算法的思想是：同簇优先权高于密度优先权,即在选择下一个对象进行聚类时,在已聚类的对象中优先选择同一簇的对象,当对象沿某一方向扩展到达簇边界时停止扩展,转而向其他方向扩展,这种处理顺序能使得类别最大化.通过分析簇边界的密度变化特征,建立了边界识别准则,并根据该准则对数据进行聚类.通过在合成数据和美国加州大学提供的知识挖掘数据库数据集上的实验结果表明,所提算法能有效地处理低密度区域的数据,与识别聚类结构的对象排序算法相比,聚类效果可提高4%左右,而时间性能相当.     

Estimation of underdetermined mixing matrix based on support vector machine

In underdetermined blind source separation (BSS), a novel algorithm based on extended support vector machine (SVM) is proposed to estimate the mixing matrix in this paper, including the number of the active sources. Instead of traditional clustering algorithms, it mainly takes the modulus of observations and the number in each direction of arrival, without any prior knowledge about the sources except for sparsity, and it is not sensitive to the initial values. Simulations are given to illustrate availability and robustness of our algorithm.     

分布式环境下全局模糊频繁项目集的快速挖掘

为了解决模糊关联规则挖掘算法需要用户事先给定模糊集和相应隶属度函数的问题，提出基于分布式聚类自动生成模糊集及隶属度函数的算法GFAM．该算法利用分布式K—Means聚类算法对每个数值型属性进行聚类，求得聚类中心，由此构造全局模糊集，定义全局隶属度函数．DFAR算法根据构造的全局模糊集及隶属度函数进行分布式模糊频繁项目集的快速挖掘，采用全局一局部站点模式，其中包括局部模糊频繁项目集产生算法FLF和全局模糊频繁项目集产生算法FGF．实验结果表明，该算法能准确地生成全局模糊频繁项目集，在求解全局模糊频繁项目集过程中，传送局部模糊候选项目集支持数的通信量为O（n），提高了算法的挖掘效率．     

复杂网络与标准扩散中的集聚——基于主体的计算经济学研究

结合行为博弈关于学习算法的成果,采用基于主体的计算经济学方法,研究了标准扩散中的集聚问题.为了测量复杂网络下的标准集聚程度,根据标准扩散的特点定义了新的聚类系数.仿真结果表明集聚是标准扩散过程中非常显著的现象;也揭示出在扩散中微观个体在不断改变策略的同时,宏观集聚现象却一直很明显.因此较好地揭示了标准扩散过程中的集聚现象以及复杂系统中微观主体行为和宏观集聚现象之间的关系.     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

势函数自适应加权模糊C-均值聚类方法

提出了一种新的基于势函数自适应加权的模糊 C-均值 ( PAWFCM)聚类算法。该方法以样本的空间势几何结构为基础 ,自适应计算出样本的加权矩阵 ,然后利用加权模糊 C-均值算法对样本集合进行分类。由于自适应地考虑到了不同样本点对分类的影响程度 ,对较复杂的样本集合 ,能明显提高分类的正确性和鲁棒性。算法的几个典型实验也证明了这一点     

多类型无线传感器网络混合路由协议研究

使用两种类型的传感器组成无线传感网,通过结合多跳路由和分簇路由两种方式,对混合路由方式设计研究,用NS-2对研究结果进行仿真.将混合路由的仿真结果分别与单独使用分簇路由和多跳路由的仿真结果进行比较,得出新混合路由使得网络周期更长的结论.     

A validation study of a variable weighting algorithm for cluster analysis

De Soete (1986, 1988) proposed a variable weighting procedure when Euclidean distance is used as the dissimilarity measure with an ultrametric hierarchical clustering method. The algorithm produces weighted distances which approximate ultrametric distances as closely as possible in a least squares sense. The present simulation study examined the effectiveness of the De Soete procedure for an applications problem for which it was not originally intended. That is, to determine whether or not the algorithm can be used to reduce the influence of variables which are irrelevant to the clustering present in the data. The simulation study examined the ability of the procedure to recover a variety of known underlying cluster structures. The results indicate that the algorithm is effective in identifying extraneous variables which do not contribute information about the true cluster structure. Weights near 0.0 were typically assigned to such extraneous variables. Furthermore, the variable weighting procedure was not adversely effected by the presence of other forms of error in the data. In general, it is recommended that the variable weighting procedure be used for applied analyses when Euclidean distance is employed with ultrametric hierarchical clustering methods.     

并行聚类分析算法

数据挖掘是用来发现数据库中隐含的各个数据之间的关系和特性,聚类分析是数据挖掘所要完成的工作之一.选取了三个并行聚类分析算法并研究了与之对应的并行算法,然后讨论了并行算法的性能,并得到了一些实验结果.最后提出了一个新的并行算法,相比较其它并行聚类算法,本文所提出的算法是最有效的.