一种新的数据分类效果评价方法

针对模糊C-均值聚类算法对初始化分类参数的选择比较敏感而导致分类结果差异性较大的不足,提出基于模糊C-均值聚类目标函数相对权重系数的偏导函数进行数据分类效果好坏的评价。实验结果表明,该文定义的分类效果评价方法是可行的。     

基于互包含度的数据分类效果评价研究

针对模糊C-均值聚类算法对初始化分类参数的选择比较敏感而导致分类结果差异性较大的不足,提出了基于互包含度的有效性函数进行数据分类效果好坏的评价。实验结果表明,本文定义的分类效果评价方法是可行的。     

基于信息熵的FCM聚类算法

针对模糊聚类存在的数据收缩问题的不足,提出了一种改进现有模糊聚类算法的方法,并进行仿真实验研究.模糊C-均值(FCM)算法主要通过目标函数的迭代优化来实现集合划分,以信息熵作为模糊C-均值算法的约束条件,给出改进算法的推导过程,得出改进后的模糊C-均值算法的隶属度和聚类中心,实现了模糊C-均值的改进算法.实验结果可以表明,改进的模糊C-均值算法是有效的,能够表现出比模糊C-均值算法更好的性能,在实际应用中可以取得较好的聚类效果.     

一种扩展的条件模糊C-均值聚类算法

在综合分析标准的模糊C-均值聚类算法和条件模糊C-均值聚类算法基础上,对模糊划分空间进行修改,进一步弱化模糊划分矩阵的约束,给出一种扩展的条件模糊C-均值聚类算法。算法的划分矩阵和原型不依赖于背景约束及模糊划分矩阵的隶属度总和。实验结果表明：该算法可以得到不同的聚类原型,并具有很好的聚类效果。     

一种C-均值聚类图像分割的模糊熵后处理方法

提出了一种结合C-均值聚类算法和模糊熵的图像分割方法，该方法先采用C均值聚类算法对含噪图像进行初步分割，再利用模糊熵准则作后续处理。该方法一方面能够继承C-均值聚类算法的优点，可以灵活地用在基于多特征和多阂值的图像分割中，另一方面充分考虑了图像的区域信息，利用模糊熵最小作为准则，对c均值聚类算法初步分割结果的错分类点作了进一步的处理，克服了C-均值聚类算法对噪声敏感的缺点。实验结果表明，本文方法在运算开销上只比C-均值聚类算法多4～6S，对于低信噪比的图像能够取得优于C-均值聚类算法的分割效果。     

模糊C-均值算法在直觉模糊数聚类中的应用

提出了直觉模糊数的非监督模糊C-均值聚类算法。该算法首先定义了直觉模糊数之间的距离,其次构造了直觉模糊数聚类问题的目标函数,最后得到了直觉模糊数聚类的模糊C-均值聚类算法,聚类中心初始化方法,以及相关的聚类有效性函数。实验结果表明,该算法是有效的。     

基于自组织神经网络和模糊聚类的校园无线网用户日常行为分析

针对如何分析校园无线网络数据,挖掘数据中蕴藏的学生行为,更好地辅助教学管理,本文提出了在Hadoop平台构建基于自组织神经网络(SOFM)的模糊C-均值(FCM)聚类算法。该算法采用自组织神经网络与模糊C-均值聚类算法相结合,避免了模糊C-均值聚类算法初始化不当带来的误差,目标函数中采用马氏距离,自适应的调整了数据的几何分布。考虑到无线用户数据规模庞大,采用了Hadoop平台并行运行聚类算法。实验结果表明,本文提出的算法提高了聚类结果的准确性,有效地降低了时间复杂度,分析平台为学校管理层快速有效的做出决策提供了依据,研究分析方法对其它高校有较大地参考价值。     

基于堆叠稀疏自编码的模糊C-均值聚类算法

针对模糊C-均值聚类算法对孤立点、随机初始化的聚类中心比较敏感的问题,将堆叠稀疏自编码与传统模糊C-均值聚类算法相结合,对传统模糊C-均值聚类算法进行了改进。由于堆叠稀疏自编码可以提取原始数据集从低层到高层的特征,而高层的特征通常比原始数据集更能反映待聚类样本的本质特征,用其代替原始数据集进行聚类,有助于提高聚类的效果。利用改进后的算法在UCI的几个标准数据集上进行实验,结果表明改进后的算法是有效可行的。     

点密度加权FCM算法的聚类有效性研究

模糊C-均值(FCM)算法是一种非监督的模式识别方法。由于该算法具有对数据集进行等划分的趋势,影响其聚类精度。利用数据点的密度大小作为权值,借助数据本身的分布特性,提出了一种点密度加权模糊C-均值算法。该方法不仅在一定程度上克服了FCM算法的缺陷,而且具有良好的收敛性。当以聚类已知的少量数据点作为监督信息指导聚类,聚类效果进一步改善。并用聚类有效性函数对算法的聚类有效性进行了评价,从而为算法的聚类性能提供了理论依据。     

基于二阶模糊聚类算法的雷达目标距离像识别

针对于模糊C-均值(FCM)算法敏感于聚类中心初始值的缺点,提出一种基于二阶模糊聚类方法。该方法利用传递闭包(TC)算法无初始化的优点,先对样本集按一定分类水平进行划分,选取若干类,求得这些类的样本均值作为FCM算法的初始聚类中心。一方面能够获得理想的聚类中心初始值,同时还能通过分类水平值来优化聚类中心数和聚类中心,避免局部最优,克服一致性聚类。利用该算法对三类飞机目标的实测一维距离像数据进行了识别实验,实验结果表明,基于二阶模糊聚类方法的识别率比FCM有了明显的改善。     

一种基于模糊划分和模糊加权的集成深度信念网络

针对DBN算法训练时间复杂度高,容易过拟合等问题,受模糊理论启发,提出了一种基于模糊划分和模糊加权的集成深度信念网络,即FE-DBN（ensemble deep belief network with fuzzy partition and fuzzy weighting）,用于处理大样本数据的分类问题。通过模糊聚类算法FCM将训练数据划分为多个子集,在各个子集上并行训练不同结构的DBN,将每个分类器的结果进行模糊加权。在人工数据集、UCI数据集上的实验结果表明,提出的FE-DBN比DBN精度均有所提升,具有更快的运行时间。     

基于最佳分类数和粗糙集的故障诊断方法

提出了一种基于最佳分类数和粗糙集理论的汽轮机轴系振动故障诊断方法。该方法利用模糊C均值聚类算法（FCM）把数据的连续属性离散化,以形成隶属度矩阵及属性分类数,根据隶属度矩阵及属性分类数进行划分系数和划分熵的有效性评判,最终找到连续属性的最佳分类数。然后根据最佳分类数对数据的连续属性进行实际的离散化,将离散化后形成的离散数据根据粗糙集理论,进行数据挖掘,得到诊断规则,有效提高了汽轮机轴系振动故障的诊断水平。     

动态自适应特征权重的多类文本分类算法研究*

文本分类是研究文本数据挖掘、信息检索的重要手段,文本特征项权重值的计算是文本分类算法的关键。针对经典的特征权重计算方法TF-IDF中存在的不足,提出了一种动态自适应特征权重计算方法(DATW)。该算法不仅考虑了特征项在文本中出现的频率及该特征项所属文本在训练集中的数量,而且通过考查特征项的分散度和特征向量梯度差以自适应动态文本的分类。实验结果表明,采用DATW方法计算特征权重可以有效提高文本分类的性能。     

Fuzzy Ants and Clustering

A swarm-intelligence-inspired approach to clustering data is described. The algorithm consists of two stages. In the first stage of the algorithm, ants move the cluster centers in feature space. The cluster centers found by the ants are evaluated using a reformulated fuzzy C-means (FCM) criterion. In the second stage, the best cluster centers found are used as the initial cluster centers for the FCM algorithm. Results on 18 data sets show that the partitions found using the ant initialization are better optimized than those obtained from random initializations. The use of a reformulated fuzzy partition validity metric as the optimization criterion is shown to enable determination of the number of cluster centers in the data for several data sets. Hard C-means (HCM) was also used after reformulation, and the partitions obtained from the ant-based algorithm were better optimized than those from randomly initialized HCM.     

基于改进遗传算法的非线性系统模糊辨识新方法

提出一种基于改进遗传算法和递推最小二乘的非线性模糊辨识新算法.该辨识方法包含结构辨识辨出和参数辨识,结构辨识即输入空间的模糊划分,采用具有自适应性的广义高斯隶属函数;参数辨识包含前提参数和结论参数,用基于动态比例变换的改进遗传算法优化高斯函数的前提参数,用递推最小二乘辨识模糊模型的结论参数.最后通过著名的Box-Jenkins煤气炉数据仿真(仿真环境:MATLAB 6.5,计算机主频2.4 GHz,内存512 MB),并根据输入变量个数和模糊规则数,得到均方误差以证明本文方法的辨识精度,将该文辨识方法与其他方法进行比较,验证了该方法辨识精度更高.     

改进微分进化算法的半监督模糊聚类

通过对已标示和未标示数据的学习和分类,提出一种改进微分进化算法的半监督模糊聚类。先从大量的数据中选取一小部分进行标记,然后利用标记数据来指导进化过程,实现对未标记数据的分类。通过参考粒子群算法惯性权重思想,引入惯性加权系数,在计算初期能够维持个体的多样性,后期能够加快算法的收敛速度,有效提高了算法的性能。遥感图像数据实验结果显示该方法可以提高分类精度。     

Validity-guided (re)clustering with applications to imagesegmentation

When clustering algorithms are applied to image segmentation, the goal is to solve a classification problem. However, these algorithms do not directly optimize classification duality. As a result, they are susceptible to two problems: 1) the criterion they optimize may not be a good estimator of “true” classification quality, and 2) they often admit many (suboptimal) solutions. This paper introduces an algorithm that uses cluster validity to mitigate problems 1 and 2. The validity-guided (re)clustering (VGC) algorithm uses cluster-validity information to guide a fuzzy (re)clustering process toward better solutions. It starts with a partition generated by a soft or fuzzy clustering algorithm. Then it iteratively alters the partition by applying (novel) split-and-merge operations to the clusters. Partition modifications that result in improved partition validity are retained. VGC is tested on both synthetic and real-world data. For magnetic resonance image (MRI) segmentation, evaluations by radiologists show that VGC outperforms the (unsupervised) fuzzy c-means algorithm, and VGC's performance approaches that of the (supervised) k-nearest-neighbors algorithm     

A classification technique based on radial basis function neural networks

In this paper, a new classification method is proposed based on the radial basis function (RBF) neural network architecture. The method is particularly useful for manufacturing processes, in cases where on-line sensors for classifying the product quality are not available. More specifically, the fuzzy means algorithm is employed on a set of training data, where the input data refer to variables that are measured on-line and the output data correspond to quality variables that are classified by human experts. The produced neural network model acts as an artificial sensor that is able to classify the product quality in real time. The proposed method is illustrated through an application to real data collected from a paper machine. The method produces successful results and outperforms a number of classifiers, which are based on the feedforward neural network (FNN) architecture.