一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。     

一类加权连续属性的多变量决策树构造方法

首先利用粗集理论和模糊聚类理论确定连续多变量属性的选择问题,然后利用聚类中心算法建立等级标准中心以解决连续变量的区间划分问题,其次将等价关系相对泛化的概念用于决策树中多变量检验的构造。最后通过实例说明了本方法是可行的。     

一种区间值聚类的数据挖掘方法

提出了一种区间值聚类的数据挖掘方法。该方法首先将数据库中的数据按照属性进行聚类,将它们划分为若干区间,对于同一区间中的数据赋予相同的编号,以此处理直至数据库的最后一个属性。在完成这种转换后即可使用关联规则的挖掘方法。该方法与传统的数据挖掘方法相比更加符合实际。大量的仿真数据集和真实数据集的实验结果表明该算法是有效的。     

基于矢量空间的群体聚类方法研究

通过对群体成员的思维模式进行分析,基于矢量空间提出了群体中任意两个成员偏好矢量相关性度量的一般范数以及基于该矢量相关度的启发式算法,通过执行该使算法使群体中的成员形成若干个不同的聚集。在此基础上,定义并计算群体中各个聚集的偏好和整个群体的偏好,定义并计算群体中各个聚集的一致性指标和整个群体的一致性指标,为群体决策提供依据。最后通过一个实例对算法和一致性指标等进行验证。     

模糊聚类的一次定位算法

相似矩阵的传递闭包是模糊聚类的重要方法,根据在求相似矩阵的等价矩阵中取大取小运算的特征,得出相似矩阵的上三角形中的任一元素值在其等价矩阵中出现的位置,由计算过程中,当前比它大或等于的元素所在位置决定。在此基础上,将上三角形中的所有非零元素按降序排序,从第二个元素开始,按顺序计算每个元素可传递到的位置,得所求的等价矩阵。这种通过一次计算可得等价阵的最终结果的算法称为一次定位法。该算法的时间复杂度小于等于n平方级,空间复杂度为n平方级。     

地面水质量评价计算方法的比较与分析--灰色聚类样点排序法的实证

在将等斜率灰色聚类法应用于地面水环境质量评价的基础上提出了灰色聚类样点排序法,并用灰色聚类样点排序法对实例进行水环境质量评价比较,讨论了灰色聚类样点排序法在权重处理过程的可行性.认为灰色聚类样点排序法兼顾到1)各测点的实测污染浓度都在级别标准范围内较有规律地变化,各污染物的标准值之间差异不太大;2)污染物分布的离散度太大,各标准值之间差别也太大这两种情况.     

一种基于自组织分级聚类的数据挖掘方法

针对传统自组织聚类方法处理数据在多维空间中存在多样性和从基本或低层次概念上发现强关联规则中的不足，提出了一种基于自组织分级聚类的数据挖掘方法．该方法采用最大似然分类自组织特征网络（MAXNET）聚类过程，利用自下而上聚合层次聚类方法，对有畸变的二值化输入模式作最大似然分类．最后对一个销售电脑商场中，与任务相关的交易数据集进行了分析，描述了从低层次概念到高层次概念的相互关系．并用matlab仿真软件把该方法和传统方法进行比较，表明了该方法的有效性．     

基于复杂网络理论的沪深A股分析

根据复杂网络理论,从一个新的角度分析沪深A股.对沪深A股构建复杂网络,计算网络的集聚系数和吸引率,得到不同行业的聚合强度及其对A股市场股价波动的影响程度.计算结果表明,金融股内部的聚合强度最大,行业内部股价波动更容易传播,股价波动对中国A股市场股价的波动影响最大.     

基于马尔可夫链和模糊聚类的电力系统短期负荷预测

提出一种马尔可夫链和模糊聚类相结合的预测方法,针对时间序列中出现的各种随机现象,分别建立数学模型.对样本所属状态采用模糊划分,使分类更符合实际情况;利用马尔可夫链对研究对象做状态分析,根据状态转移进行预测.该方法在电力系统负荷预测中使用,提高了算法的全局最优性能.在时间序列呈现较强的随机性时,本算法具有明显的优越性.仿真结果表明,对于各种扰动因素,预测误差可控制在3.5%以内.     

水轮发电机组故障诊断模糊专家系统研究

针对水轮发电机组故障原因与症兆之间的复杂关系,充分利用综合监测数据和领域专家的经验知识,采用数据驱动和基于知识的目标驱动控制的正反向推理方法进行诊断.研究了基于数据库管理系统的模糊知识库设计,为知识库的建立、维护、扩充和完善提供了一种实用方法.研究了模糊推理算法,以加权模糊推理进行多种信息的融合,解决了故障诊断中不确定性问题的求解.建立了水轮发电机组故障诊断模糊专家系统.诊断实例结果表明,该系统推理效率高,可信度好,满足了水轮机组故障诊断的有效性和实用性要求.