混合模糊聚类法在故障诊断中的应用

在汽轮发电机纽的振动故障诊断中,传统的基于模糊等价关系的传递闭包法和基于模糊划分的模糊C-均值(FCM)聚类法分别存在着"传递偏差"和初始化敏感问题.混合模糊聚类分析方法将上述两种方法结合起来进行故障诊断,实例表明,该方法得到的诊断结果更符合实际情况,且该方法不仅能对单一故障进行诊断,对多故障也能进行诊断.     

基于FCM聚类的奖学金评定方法

传统的奖学金评定方法是按照学生总成绩的高低作为评定依据.把一个多因数的问题简单化,使它成为一个单一的问题来处理.这种方法显然不合理.针对这个问题.采用基于模糊划分的模糊C-均值方法.对学生进行奖学金评定.为评审人员提供了一种比较科学、公正的评审方法.     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。