用模糊聚类神经网络设计图象矢量量化码书

讨论了一种模糊聚类神经网络模型，给出了将该模型用于图象矢量量化码书设计的学习算法，实验结果表明，模糊聚类神经网络可以为图象矢量量化压缩编码提供一种新的码书设计方法。     

基于模糊聚类的属性加权算法

针对传统的模糊聚类算法(FCM)的不足,提出了具体的改进和提高的方法,使用模糊等价性理论对原始样本集进行处理以得到聚类数和初始聚类中心,通过修改聚类目标函数来提高算法处理孤立点的能力和体现样本空间各维度对聚类效果的价值,最后通过实验比较表明算法的有效性。     

声纹识别系统

介绍一个与本无关、与语种无关、与性别无关的声纹识别系统，采用的技术包括MFCC特征提取、VQ矢量量化、LBG聚类建模、数据有效性距离测度和计算机深度编程等，在字表大小为50人以内时识别率接近100%。     

图像颜色矢量量化算法

提出了一种基于LUV颜色空间的彩色图像量化算法. 首先运用PGF技术对原始图像进行平滑,在去噪的同时保持图像的边缘和细节;随后将PGF滤波系数作为先验的权重信息传递给矢量量化部分;最后,利用凝聚聚类进行多余颜色的合并. 结果显示,本文算法在主观评价和量化误差上都明显优于经典的K均值聚类算法.     

基于遗传算法的动态模糊聚类基于遗传算法的动态模糊聚类

提出了一种基于遗传算法的动态模糊聚类方法。通过计算样本之间的模糊相似性,不失真地反映它们之间的内在关联。同时将样本之间的模糊相似性映射到样本之间的欧氏距离,即将高维样本映射到二维平面。利用遗传算法不断优化两者之间的映射,使样本之间的欧氏距离逐步趋近于其模糊相似性,实现动态模糊聚类。克服了聚类有效性对样本分布的依赖性;同时,增加了聚类的灵活性和可视化。该方法在性能上较经典的模糊聚类算法有一定改进,具有较好的聚类效果和较快的收敛速度。仿真实验结果证明了该方法的可行性和有效性。     

基于模糊聚类的Web用户聚类方法与实现

提出了一种基于传递闭包的模糊聚类方法,并应用于Web日志聚类中,实验结果表明,该算法能够有效实现Web用户聚类,并且能够避免陷入局部最优解。最后与模糊C均值算法进行比较,并讨论了算法的运行时间和错分率。     

基于模糊c均值算法文档聚类问题的研究

应用模糊C均值算法对文档进行分类,具有不使用语法知识、不使用词法规则、无监督等特点.采用模糊c均值算法对文档进行聚类,实验结果表明:该方法优于普通的聚类算法,聚类结果能充分体现文本的多样性.     

基于模糊聚类的设备分组技术

在动态联盟形成过程中,需要对候选企业的设备空间进行搜索,当设备数量较大时,设备搜索时间较长,求解时间增加,计算复杂度加大,因此,采用设备分组方法,设备分组是减少设备搜索空间和时间的一个有效途径,介绍了一种具有新的聚类有效性测度的扩展模糊C-均值聚类算法（EFCM）,根据设备所具有的工艺元素进行分组,形成功能加工单元,EFCM算法具有新的聚类有效性测度,使同组设备具有最大紧密度,异组设备具有最大排搞清度,分组更加合理,增强了模糊聚类算法的实用性,具体实例验证了EFCM算法 法的实用性和有效性。     

基于用户浏览兴趣模糊聚类研究

聚类分析在面向电子商务的数据挖掘中具有重要的意义,网络信息提供服务亟待从用户被动接受访问到电子商务站点对用户进行主动信息推送服务。本文主要研究运用模糊聚类技术针对用户浏览兴趣度量实现用户群组划分,并进行有针对性地网页推荐、商品推荐和服务推荐。     

基于网格的参数自动化聚类算法

提出了一种基于网格的参数自动化聚类算法PAG，主要目的是解决传统的网格聚类算法对参数敏感的问题．算法采用参数自动化技术来处理参数，即算法开始运行时所需的参数直接由参数自动化技术中的公式计算得出，不需要用户输入任何参数．通过对大量数据集的实验表明，该算法可扩展性好，能处理任意形状和大小的聚类，能够很好地识别出孤立点或噪声，并且有很好的精度．     

道德接受的为我性与道德教育的实效性

从道德教育接受者的接受新视角解析道德接受的内涵,提出了“以我为主”是道德接受的基本规律、“我的需要”是受体接受道德教育的驱动力、“我的情感体验”是道德教育接受活动中正负效应的关键等新观点。     

基于聚类算法的C-R模糊模型结构辨识

工业过程中多数系统呈现出非线性、时变性和多模态性等特征,往往难于用机理建模的方法建立它的模型,因此利用系统的输入和输出数据进行非机理建模是非常有意义的。对C-R模糊模型进行了改进,应用关系度聚类算法在线辨识出系统的模态,即系统C-R模型的模糊子空间的数目,提出了C-R模糊模型的聚类建模方法,仿真结果表明了该算法的有效性,节省了运算时间,简化了运算过程。     

基于模糊聚类和BP算法的混合模型

针对模糊聚类算法存在的问题,通过对聚类有效性函数的分析,对聚类数c和加权指数m进行改进,将改进后的模糊聚类算法引入BP算法中,建立基于模糊聚类与BP算法的混合模型,并进行实验分析,分析结果表明,混合模型在准备性上优于传统的BP算法,因为数据经过模糊聚类之后同类数据具有更多的相似特征。     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．     

基于BP特征筛选的模糊聚类手写体数字识别

运用BP神经网络对无约束手写体数字的识别过程中的数字样本进行筛选,将筛选的结果纳入聚类源,再通过构造模糊关系矩阵,进行模糊聚类。实验证明,该方法具有很高的抗干扰性能,克服了传统算法单因子识别的局限性,识别率和准确率都有很大提高。     

基于CSA无监督模糊聚类算法的异常检测方法

为解决模糊k 均值算法对初始化敏感及易陷入局部极值的不足,提出了基于克隆选择算法(CSA)的无监督模糊聚类异常入侵检测方法. 应用结合了具有进化搜索、全局搜索、随 机搜索和局部搜索特点的克隆算子快速得到了全局最优聚类,并应用模糊检测算法检测网络中的异常行为模式. 该方法的优点是不需要人工对训练集分类,并且可以检测出未知的攻击. 仿真试验表明,该方法不但能检测出未知的攻击,而且具有较低的误报率和较高的检测率.     

模糊聚类算法分析及应用

模糊聚类分析算法是对聚类算法的改进,笔者讨论了算法的基本原理、数据的处理方法,并用模糊聚类方法对教师授课效果进行分类分析,选取适当的相似系数,建立模糊矩阵,用动态聚类法进行分类分析,实现了量化评价与综合评价相结合,提高了评价水平,为今后确定评价指标提供了可靠的依据．     

改进的模糊核聚类算法

将核学习方法的思想和改进的选择C-均值聚类算法相结合,提出了一种改进的模糊核聚类算法,使其能对非超球体、含有噪音和离群点及样本不均衡的数据进行有效的聚类.通过引入高斯核函数,原样本的特征被非线性变换到高维核空间,提高了聚类性能.实验结果表明,该改进算法具有有效性.     

基于模糊聚类算法的智能电网用户分类

随着智能电网建设的深入,许多智能仪表被接入电网以获取用户的实时负荷数据。由于用户数量众多,单独对个体进行数据处理和分析是不现实的,所以需要对用户进行分类。采用模糊聚类算法来处理负荷侧不同用户的用电负荷数据,随机抽取了某小区的25个用户数据,并对其用电行为进行了分类。结合聚类有效性指标得到了算法的最佳聚类数,并进行了仿真分析。结果表明,模糊聚类算法在负荷侧不同用户用电行为分类中有着较好的表现。