基于小波变换和模糊聚类的自适应水印嵌入方法

利用人类视觉系统(HVS)的掩蔽效应和小波多分辨率分析的特点,作者提出了一种通过在图象的小波域的细节部分进行模糊聚类来寻找适合嵌入水印的位置,再用隶属度作为嵌 入强度来嵌入水印的新的数字水印嵌入算法.实验表明该方法能在保持图象质量的前提下提高水印的鲁棒性.     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

聚类分析法在地质多样性资源评价中的应用——以湖北省大别山地区为例

对地质多样性的概念、内容体系、价值、国内外研究现状等进行概述,根据地质多样性内容建立评价指标体系；并用聚类分析法对湖北省大别山地区的地质多样性资源进行评价,得出地质多样性资源分布呈纬度地带性规律.     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

基于IFCM-GRA的空间多维热误差温度测点优化

热误差是精密、超精密加工中主要的误差源之一,热误差温度测点优化是热误差补偿的关键问题.在机床空间多维布置的大量温度测点之间存在多重相关性,从众多测点中选取特征点的优劣程度,将直接影响到热误差补偿效果.通过对温度测点间多重相关性及温度与热误差关系的综合分析,采用改进的模糊C-均值(IFCM)聚类算法对温度测点进行聚类,以减小类与类之间温度测点的相关性,且避免FCM算法对初始聚类中心敏感易局部收敛的缺点.对温度测点按灰色关联分析(GRA)中的灰色综合关联度进行排序,从变化量和变化率的角度综合反映温度与热误差的关系.采用IFCM-GRA对温度测点进行优化,提高了热误差模型的鲁棒性及准确性,使温度测点数量大幅度减少.在某型号精密卧式加工中心上进行实验,温度测点从17个减少到4个.在不同转速下,利用多元线性回归对优化出的温度测点与热误差建立模型,所建立模型均能很好地预测热误差变化情况,经对预测模型分析,轴向热误差由几十微米减小到5μm以内.     

面向对象的信息系统规划方法

提出了面向对象的信息系统规划方法. 将规划过程分为识别组织目标、识别组织行为、确定对象与子系统和建设子系统优先级排序等几个主要阶段. 定义了行为和对象的关联度矩阵,基于聚类方法确定信息系统子系统的建设需求. 并给出了子系统优先级排序的指标体系,采用层次分析法完成子系统优先级排序.     

基于AIC方法的切换神经网络模型设计

将切换系统设计中的切换思想与神经网络相结合,构建了切换神经网络模型.根据模糊C均值（FCM）聚类方法将样本数据分为多组训练数据,每组数据对应训练一个单一神经网络模型,再利用赤池信息准则（AIC）制定相应的切换规则.根据输入数据特性,选择单一网络或多网络组合的输出作为模型输出,从而达到函数逼近目的.本模型更好地利用了各个子网络在特定区域具有较高逼近精度的特点.仿真结果表明,切换神经网络模型有较高的逼近精度.     

基于SQL分层抽样的数据挖掘算法的改进

在对数据库聚类分析的基础上进行分层抽样,并使用关联规则,得出了数据之间的潜在关系.同时,对网民健身情况调查数据进行了实证分析,在SQL Server 2005上实现了抽样后的关联规则挖掘,提高了关联的效率,并取得了良好的效果.另外,对关联规则的评估作了一定的改进创新.     

Cs相似度函数下正则谱聚类的收敛阶

用覆盖数逼近的方法给出Cs相似度函数下正则谱聚类的收敛阶.     

基于人工免疫聚类的欺诈客户分析

针对传统aiNet聚类算法在处理欺诈客户分析时聚类精度差的问题,该文基于一种新的免疫聚类算法(SE-aiNet)提出了利用子群群体特征进化的免疫聚类算法,使收敛速度有显著提高,并在保持抗体种群规模的情况下有效提高了抗体的多样性;以训练所得的规则集来判断客户是否欺诈,经某银行的实际数据验证,算法的误分比例为24.0%,而相同环境下BP-NN算法的误分比例为32.3%,C-SVM的误分比例为28.6%。