一种基于网格密度与空间划分树的聚类算法

基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.文章提出了一种新的基于网格密度和空间划分树的CGDSFF(Clustering based on Grid - Density andSpatial Partition Tree)聚类算法.其创新点在于,将数据空间划分成多个体积相等的单元格,然后基于单元格定义了密度、簇等概念,对单元格建立了一种基于空间划分的空间索引结构(空间划分树)来对数据进行聚类.CGDSPT算法保持了基于密度的聚类算法的上述优点,而且CGDSFF算法具有线性的时间复杂性,因此CGDSPT算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CGDSPT算法的优点.     

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。     

Clustering patents using non-exhaustive overlaps

Patent documents are unique external sources of information that reveal the core technology underlying new inventions.Patents also serve as a strategic data source that can be mined to discover state-of-the-art technical development and subsequently help guide R&D investments.This research incorporates an ontology schema to extract and represent patent concepts.A clustering algorithm with non-exhaustive overlaps is proposed to overcome deficiencies with exhaustive clustering methods used in patent mining and technology discovery.The non-exhaustive clustering approach allows for the clustering of patent documents with overlapping technical findings and claims,a feature that enables the grouping of patents that define related key innovations.Legal advisors can use this approach to study potential cases of patent infringement or devise strategies to avoid litigation.The case study demonstrates the use of non-exhaustive overlaps algorithm by clustering US and Japan radio frequency identification (RFID) patents and by analyzing the legal implications of automated discovery of patent infringement.     

基于TS模糊模型的热工过程建模方法

热工过程对象通常具有复杂的动态特性和非线性、强耦合、不确定性等特征,从而使得常规建模方法难以取得满意的效果,因此提出一种改进型TS模糊模型在线建模方法。此建模方法基于以下思想,首先提出基于中心粒群算法的截集模糊C-均值聚类算法并对TS模糊模型进行模型结构离线辨识,确定模型的结构和前件部分参数的初始值;然后应用解耦扩展卡尔曼滤波算法进行后件参数在线辨识,同时对前件辨识结果进行精确修正。最后,对煤气炉、500MW机组及气化炉等热工过程进行仿真计算表明本方法具有精度高、计算量小等优点。     

一种综合评价指标属性值规一量化技术新途径

对现有的评价指标属性值规一量化技术进行了论述 ,运用模式识别、人工神经网络聚类理论结合模糊集值统计理论 ,提出了评价指标属性值规一量化技术新途径 ,奠定了评价指标属性值规一量化技术智能化的基础 .     

群体决策中不精确结论综合模型的研究

采用关系化简、等价类划分和排序选择等步骤对群体决策中的不精确结论进行综合,可以有效地处理群体决策中的不精确结论综合问题,提高群体决策系统的性能.     

基于模式搜索的类电磁算法求解约束优化问题

针对约束优化问题,提出了一种基于模式搜索的类电磁算法。引入了粒子的违反度函数,将约束优化问题转化为双目标无约束优化模型来求解;提出了双目标模型中粒子的电荷和受力的计算公式,引导不可行粒子转化为满足约束条件的粒子;为了提高算法的搜索能力,结合模式搜索算法改进种群中的粒子,为类电磁算法提供了有效的局部信息。与以往算法仿真结果相比,新算法具有性能好、较稳定的优点。     

基于RSOM聚类的局部线性嵌入算法

局部线性嵌入算法(locally linear embedding,LLE)是一种非线性降维方法.当数据量较大时,算法计算效率较低,算法运行所占用的内存空间较大.为了提高LLE算法的计算效率和减小算法运行时占用的内存空间,给出了基于RSOM(Recursive SOM)树聚类的LLE算法,通过RSOM树对数据集进行聚类,在保证输入样本依概率分布的同时显著降低算法复杂度,提高了映射效果.仿真实验表明,基于RSOM树聚类的LLE算法相对于原始的LLE算法,其算法效率有了显著提高,明显降低了算法运行所占用的内存空间,同时很好地学习了高维数据的流形结构.     

基于主元分析及粗糙集的多变量决策树构造方法

为解决故障诊断中单一方法难于处理大规模、多变量数据信息的问题,提出了一种利用主元分析方法和粗糙集理论相结合的多变量决策树构造方法.该方法利用主元分析对历史数据进行降维、去噪处理,得到由主元变量组成的决策信息.通过粗糙集理论中核属性和相对泛化的概念对此决策信息进行属性选择和样本集划分,构造出多变量决策树,并建立诊断规则知识库.基于汽轮机发电机组的轴系振动故障分析的实例验证了此方法的正确性,与其他方法相比较具有规模小、诊断规则易于提取的特点.     

基于离群聚类的异常入侵检测研究

提出了一种离群聚类算法,并分析了算法抗例外点干扰的能力.离群数据是远离其它数据的数据,网络中异常入侵数据的实质就是离群数据,因为异常入侵记录往往呈现小样本和多变性的特点,并且偏离正常网络连接记录.通过定义新的异构样本的相异性度量方法,提出了一种基于离群聚类无监督学习的异常入侵检测方法.仿真实验表明了方法的有效性和实用性,在总检测率方面优于文献中已有的其它方法.