基于模糊聚类与RBF网络集成分类器的验证码识别

针对粘连字符验证码识别率低的问题,提出了一种基于模糊聚类和径向基神经网络的动态集成分类器.该分类器采用分割和识别反馈动态结合的思想,首先通过模糊聚类算法对字符进行特征提取,将其作为RBF神经网络的输入,然后网络依据识别置信度和字符特征隶属度进行特征节点的动态选择,最后通过实验进行了算法有效性和识别率的验证.与其他算法的对比实验进一步表明,该方法体现了整体优先,细节补偿的思想,能够充分利用训练样本集的信息,改进了低质量字符识别率不高的问题.     

算法改进的自组织神经网络曲面重构

为提高神经网络法三角网格曲面重构的效率,提出自组织神经网络算法与模糊聚类算法相结合的 改进算法．应用改进算法对大规模散乱点云曲面及花瓶实例进行了网络训练及三角网格重建,在初次网络训 练收敛后,加入模糊聚类计算模块,由模糊聚类算法中隶属度计算来确定输入样本是否可用．与自组织神经 网络算法训练特性进行了比较,结果表明：改进后算法避免了以往算法的重复循环,减少了计算量,加快了网 络训练收敛速度和三角网格曲面重构的速度,仿真重构结果表明：改进后的自组织神经网络算法可实现不同 疏密程度的三角网格曲面重建,并可在保持原数据特征的前提下实现数据精简,较通常算法收敛速度快     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于SOMK算法的T-S模糊系统建模方法

针对T-S模糊系统建模中的结构辨识和参数辨识问题,以自组织特征映射SOM算法与K-means算法相结合的SOMK算法对输入样本进行聚类,同时以Davies-Bouldin(DB)指标来验证聚类的有效性,得到最佳聚类数即为T-S模糊系统模型的规则数。然后用所得模糊规则数和聚类中心来辨识T-S模糊系统模型前件参数进而采用最小二乘算法来确定模糊推理规则的后件参数。最后,用仿真实例验证了文中所提出的建模方法与相应算法。仿真结果表明,该方法逼近精度高,泛化能力强,具有较好的实际应用价值。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

基于CMAC的光电探测系统姿态稳定控制技术研究

将小脑模型关节控制器(CMAC)神经网络应用于动载体光电稳定跟踪控制系统设计,分别构建CMAC学习算法网络和CMAC控制网络,泛化参数取4,采用δ学习算法调整网络权值,为评估所构建的CMAC网络对目标系统的逼近能力,选定一个非线性系统作为对象,以连续方波为输入信号进行仿真。仿真数据显示,输入信号发生跳变经0.15s后输出信号的稳态误差为0。选用直流力矩电机和分辨率为767×10-6 rad的光电编码器构建动载体三轴姿态稳定控制实验装置。结果表明,构建的以CMAC神经网络为核心的控制器在此实验装置上实现的姿态稳定误差为870×10-6 rad。     

K-均值聚类模糊逻辑数据融合改进算法研究

针对无线传感网(WSN)数据融合中基于模糊逻辑的加权融合算法融合结果误差偏大的问题,提出了一种基于K-均值聚类的改进的模糊逻辑加权融合算法.首先运用K-均值聚类的思想分析收集到的原始误差数据,去除算法认为不可靠的数据,用余下的有效数据对修正模糊逻辑算法求得加权因子,并与节点测量数据加权平均求值,得到最终融合值.实验证明:通过与其它同类的加权融合算法比较,该改进算法的融合精度更高,效果更好.     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

Clustering in mobile ad hoc network based on neural network

1 INTRODUCTION Multi-hop wireless network is an ideal technology to establish an instant communication infrastructure for civilian and military applications. Its applications include collaborative, distributed mobile computing, disaster recovery, law enforcement (crowd control, search and rescue), digital battlefield communications, and so on[1]. Such situations demand a network where all the nodes including the base stations are potentially mobile, and communication must be supported unwi…     

一种改进型的Ad Hoc网络权值分簇算法

移动Ad Hoc网络可以用无向量图表示。根据传统的分群算法,提出了改进算法对网络进行分群。首先,在初始阶段利用LID分簇算法的快收敛性进行簇的划分,实现节点的快速入网;然后,在簇的维护阶段根据节点的剩余能量的大小和节点自身的处理能力在簇内重新分配ID号,从而延长了系统节点的工作寿命。利用节点权值来进行簇调整时,综合考虑节点的度数,节点的剩余能量和稳定性等多方面因素,并通过建立节点的历史档案的方法来对节点的稳定性进行评定。与传统的最小ID算法和最大度数算法相比,仿真结果表明该算法的性能优于另外两种分簇算法。     

人体运动传感数据的无线采集方案设计

提出运用无线传感网络的方法实现人体运动传感数据的采集.该系统包含传感节点、簇首节点和汇聚节点.采用分层分簇的组网形式,传感节点通过无线的形式自适应地连接到某个簇首节点.每个簇首节点采用分时的形式组织各自的传感节点,并进行数据融合,转发到汇聚节点,汇聚节点通过USB接口把数据传到上位PC机.针对该方案的特点,对传感节点和簇首节点之间的无线传感器网络设计了一套协议,主要包含节点间的时间同步机制和节点申请入网竞争的时延退避机制.实验结果表明,该协议具有数据通信可靠性高、丢包率低的优点.     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法.该算法仅从已知的输入输出数据中,就能快速确定模糊规则的数目;给出了模糊规则中参数的确定方法,用误差反传法优化参数;最后用该方法对聚酯的酯化率建立软测量模型.仿真结果表明该方法运算速度快,模糊规则较少,同时具有的良好泛化性能,能够满足软测量建模精度的要求.     

双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射( SOM)神经网络和模糊c-均值( FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类。第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析。     

Mercer Kernel Based Fuzzy Clustering Self-Adaptive Algorithm

A novel mercer kernel based fuzzy clustering self-adaptive algorithm is presented. The mercer kernel method is introduced to the fuzzy c-means clustering. It may map implicitly the input data into the high-dimensional feature space through the nonlinear transformation. Among other fuzzy c-means and its variants, the number of clusters is first determined. A self-adaptive algorithm is proposed. The number of clusters, which is not given in advance, can be gotten automatically by a validity measure function. Finally, experiments are given to show better performance with the method of kernel based fuzzy c-means self-adaptive algorithm.     

基于分布式哈希表的分布式子空间聚类算法

提出一种基于分布式哈希表(DHT)的分布式子空间聚类(DISCLUS)算法,该算法对各结点存储的数据分别进行子空间聚类,对聚类结果进行合并,得到分布式系统的聚类结果.针对子空间聚类的特点,提出结果集缩减和结果集剪枝策略对结点间通讯进行优化.为实现结点聚类结果合并,提出分布式表决算法(DDV).该算法利用底层覆盖网的拓扑结构进行层次化表决信息收集,在动态网络环境中实现了对所有结点的无冗余覆盖.理论分析和实验表明,DISCLUS算法的聚类误差和通讯性能能够较好地适应系统数据集规模、网络规模和数据空间维度的增加.     

基于计算节点和转发节点的WSN自组织聚簇算法

针对无线传感器网络（WSN）中数据计算需求和由簇首负载过重引起的热点问题和能量空洞问题,提出基于计算节点和转发节点的自组织聚簇算法（SCATN）,对簇首功能进行分解,以计算节点满足数据计算需求,以转发节点进行数据转发,并通过分布控制解决热点问题和能量空洞问题.聚簇过程采用自组织方式控制功能节点的生成、分布,从而解决分布不均匀和连接性问题.同时,普通节点自主更换归属簇以及时、细粒度地调整计算节点负载.仿真实验结果表明,与现有几种聚簇算法相比,SCATN算法可有效地提高网络生存时间,增加基站的吞吐量,降低丢包率.     

基于稀疏神经网络的说话人分割

提出一种基于稀疏神经网络的说话人分割方法,利用稀疏的单隐层神经网络提取语音的超矢量特征中说话人因子特征,然后通过K均值聚类得到每帧语音的标号来分割不同说话人,在稀疏网络的训练过程中引入了dropout技术以克服过拟合问题.在TIMIT语音数据库构成的多说话人语音数据上的实验结果表明:通过增加稀疏网络中隐层节点的个数可以提高说话人分割的效果,与贝叶斯信息准则(Bayesian information criterion,BIC)方法和稀疏自编码网络方法相比,所提基于稀疏神经网络的说话人分割方法的性能有明显提高.