模糊聚类分析系统的研究与实现

针对目前多种模糊聚类算法组合应用研究较少的现状,在分别对基于模糊等价关系和基于模糊等价划分这两种模糊聚类分析方法进行了较为深入研究的基础上,根据两种方法的特点,构建了一种组合式模糊聚类分析方法。采用VC++与Fortran6.5语言混合编程,开发了一套模糊聚类分析系统,分别实现了基于模糊等价关系法、基于模糊ISODATA法和基于组合式模糊聚类法的模糊聚类分析,并将其应用于电力系统中不良数据的辨识处理,取得了较为理想的效果。实例分析表明,组合式算法能够有效克服单独使用某种模糊聚类算法的缺点,同时也反映出该模糊聚类分析系统具有聚类方法选取灵活、软件界面友好、计算速度快等特点,有良好的应用前景。     

模糊聚类算法的研究与实现

聚类就是按照事物间的相似性进行区分和分类的过程,传统的聚类分析是一种硬划分,它把每个待辨识的对象严格地划分到某个类中,具有非此即彼的性质,因此这种分类的类别界限是分明的。而实际上大多数对象并没有严格的属性,它们在形态和类属方面存在着中介性,适合进行软划分。1965年,模糊理论的创始人Zadeh提出的模糊集理论为这种软划分提供了有力的分析工具,人们开始用模糊的方法来处理聚类问题,并称之为模糊聚类。该文主要内容是研究和实现基于等价关系的模糊聚类算法,该算法以隶属度作为聚类的出发点,以模糊等价矩阵作为启发规则。首先根据给出的样本,通过数据标准化求得数据矩阵;其次根据数量积法对数据矩阵进行标定即建立模糊相似矩阵;再次通过传递闭包法把模糊相似矩阵转换成模糊等价矩阵,在模糊等价矩阵中取不同的元素作为阈值λ,再根据λ截矩阵的定义把模糊等价矩阵转换成只有0和1的矩阵;最后,把该矩阵中元素相同的列聚为同一类。通过实例分析运用基于等价关系的模糊聚类算法进行聚类结果是正确的。     

检验双重性质特征的基因模糊聚类分析方法

针对基因序列分类的特点,结合模糊聚类分析方法,在原来的Markov链模型基因聚类方法的基础上,引入核酸碱基对的相互作用,得到具有双重性质特征的距离矩阵,并根据模糊聚类分析方法得到模糊相似性矩阵和其动态聚类图,从而实现基因序列的分类。通过对包括人类16个物种的16条p53基因序列进行模糊聚类得出,物种关系越相近,更容易聚成一类。此外,还检验双重性质的矩阵方法与原来的单一性质方法作聚类结果对比,发现具有双重性质的方法更准确。     

基于模糊聚类分析的公路隧道短期交通量预测

公路隧道交通量具有高度的复杂性、模糊性和随机性,常规的方法难以对其准确预测。模糊聚类分析是一种模糊数据挖掘方法,使用该法对同一时段交通量的历史数据进行处理,建立模糊相似矩阵,获得它们的聚类模式,在此基础上判断被预测样本所属的聚类模式。由于同一模式的样本具有高度相似性,可以用它们的交通量数据来预测新值。分析和计算结果表明该方法容易实现,且具有较高的预测精度。     

基于模糊聚类的某型自行火箭炮电传动装置故障诊断

模糊理论的提出为复杂系统故障诊断提供了有力的分析工具。采用模糊C-均值聚类算法对所采集到的由标准故障样本和待检样本组成的原始数据进行聚类,并用基于传递闭包的模糊等价矩阵法和F-统计量,对原始数据进行初始分类,再将分类情况转化为相应的模糊C-均值法的初始迭代矩阵进行聚类分析,得到最优分类矩阵和聚类中心,从而判断待检样本的故障类型。通过对某型自行火箭炮电传动装置进行故障诊断,表明故障检测准确率高,且易于故障诊断的智能化,具有良好的应用前景。     

模糊聚类分析及算法比较

聚类分析方法有多种,其中的模糊聚类应用最为广泛.简单介绍模糊聚类的发展历程和模糊聚类的几种常用算法,其中重点分析布尔矩阵法和最大树法两种模糊聚类分析算法,并用标准数据集对它们分别进行聚类分析和比较.     

模糊聚类算法在银行客户分类管理中的应用

本文以银行业务数据为研究对象,结合聚类分析和模糊数学中模糊相似矩阵的思想,将模糊数学理论应用于聚类分析中,提出了基于模糊聚类分析的综合排序方法,即模糊聚类法。本文采用该算法对现有银行客户的存、贷款、信用卡、转账结算等业务的总体情况进行综合排序,以便于银行客户经理根据排序结果,对不同客户采取支持、维护或淘汰等不同的分类管理策略,最大限度降低银行的客户管理成本。     

基于动态模糊聚类分析的模糊集划分新方法

由于模拟电路具有容差特征,用故障字典法进行故障诊断时,传统的模糊集划分方法就存在弊端.针对这种弊端;采用模糊理论中的动态聚类分析法来改善传统模糊集的划分;首先用蒙特卡罗分析法进行电路容差分析,然后用动态模糊聚类分析方法,对电路故障状态进行分类,形成新的模糊集划分方法;实验结果证明了新划分方法的可行性和有效性,并显著提高电路故障的检测率和隔离率.     

一种基于三角模糊数多指标信息的FCM 聚类算法

针对一类具有不确定性三角模糊数多指标信息的聚类分析问题，基于传统的数值信息FCM聚类算法，提出一种新的聚类分析算法．首先描述了具有三角模糊数多指标信息的聚类分析问题，提出并证明了基于三角模糊数多指标信息的关于最优划分和最优聚类中心确定的两个定理；然后根据这两个定理，进一步给出了基于三角模糊数信息的FCM聚类算法的迭代步骤；最后通过一个算例说明了该聚类算法的具体应用．     

二型模糊相似度及其应用

二型模糊集可以直接处理高度不确定性,并且具有很强的实际应用背景。基于二型模糊相似度的公理化定义,给出了新的二型模糊相似度计算公式。进一步,将二型模糊相似度与Yang-Shih方法相结合,用于二型模糊数据的聚类分析,聚类结果与Yang-Lin的结果进行了比较,实例表明新的相似度更合理。此外,基于二型模糊相似度,讨论了二型模糊信息系统的属性约简问题,给出了相应约简的分辨函数法,并通过实例说明了该方法的具体计算步骤。     

模糊聚类技术在高职毕业生综合素质分析中的应用

利用数据挖掘中的模糊聚类分析方法,从高职毕业生综合素质分析数据集中提取学生的分类知识,得到具有不同综合素质特征的毕业生群组,有利于高职院校针对各群组作深入分析并制定更为有效的教学和管理决策.     

一种模糊聚类系统的设计与实现

介绍一种基于模糊逻辑的数据聚类技术,讨论了模糊C均值聚类方法。模糊C均值算法就是利用模糊逻辑理论和聚类思想,将n样本划分到c个类别中的一个,使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。     

Cluster validity index for estimation of fuzzy clusters of different sizes and densities

Cluster validity indices are used for estimating the quality of partitions produced by clustering algorithms and for determining the number of clusters in data. Cluster validation is difficult task, because for the same data set more partitions exists regarding the level of details that fit natural groupings of a given data set. Even though several cluster validity indices exist, they are inefficient when clusters widely differ in density or size. We propose a clustering validity index that addresses these issues. It is based on compactness and overlap measures. The overlap measure, which indicates the degree of overlap between fuzzy clusters, is obtained by calculating the overlap rate of all data objects that belong strongly enough to two or more clusters. The compactness measure, which indicates the degree of similarity of data objects in a cluster, is calculated from membership values of data objects that are strongly enough associated to one cluster. We propose ratio and summation type of index using the same compactness and overlap measures. The maximal value of index denotes the optimal fuzzy partition that is expected to have a high compactness and a low degree of overlap among clusters. Testing many well-known previously formulated and proposed indices on well-known data sets showed the superior reliability and effectiveness of the proposed index in comparison to other indices especially when evaluating partitions with clusters that widely differ in size or density.     

一种基于模糊聚类的模糊本体生成方法

本文研究了一种从模糊背景生成模糊本体的方法。模糊本体由以下几部分组成,分别是：模糊形式概念分析、模糊概念聚类及模糊本体生成。首先,模糊形式概念分析将模糊逻辑嵌入形式概念分析以构成模糊概念格。其次,模糊概念聚类从模糊概念格构造概念层次。最后,模糊本体生成部分从概念层次生成模糊本体。     

不规则类圆形目标图象识别新策略

了以往圆和椭圆形目标图象的识别方法,针对基偿足,以原木横截面图象为实例,提出不规则类圆形目标模式识别新策略。该策略结合了聚类分析和模糊识别两种方法,采取由粗到细,逐层分类,每层单独设计分类器,成功地解决了不确定量的分类问题,实现了对不规则类圆形目标的识别。     

模糊聚类分析方法在DNA序列分类中的应用

该文采用模糊聚类分析的方法对DNA序列进行分类.首先从DNA序列中单个碱基分布的“密度”角度出发,提取出DNA序列的特征,然后用模糊聚类分析中常用的方法对DNA序列进行分类.该文运用自行研制开发的集成11种模糊聚类分析算法的模糊聚类分析运算工具,首先对已知的1-20个DNA序列进行模糊聚类分析,根据分类结果的精度,找出了较优的6种聚类分析算法,然后用余下的21-40个DNA序列进行分类;最后,本文一次对所有的1-40个DNA序列进行归类,并综合了所有的分类结果,将难以归类的DNA序列进行了归类.分析结果表明,模糊聚类分析算法具有分类简单且分类结果精度较高的优点.     

一种基于改进客观聚类分析的模糊辨识方法

针对模糊辨识中采用迭代和人为决策法确定模糊规则数时易受噪声和人为因素的影响,而导致算法鲁棒性较差和计算量较高的问题,提出一种基于改进客观聚类分析的模糊辨识方法.首先引入并改进了客观聚类分析法,克服了迭代导致的规则数冗余,降低了人为因素对聚类结果的影响,从而减小了计算量并提高了鲁棒性;然后结合模糊聚类和稳态卡尔曼滤波法,分别辨识了前提和结论参数;最后通过Box-Jenkins仿真实例验证了所提方法的有效性.     

Fuzzy data envelopment analysis and its application to location problems

In this paper, fuzzy DEA (data envelopment analysis) models are proposed for evaluating the efficiencies of objects with fuzzy input and output data. The obtained efficiencies are also fuzzy numbers that reflect the inherent ambiguity in evaluation problems under uncertainty. An aggregation model for integrating fuzzy attribute values is provided in order to rank objects objectively. Using the proposed method, a case study involving a restaurant location problem is analyzed in detail. Rent of establishment, traffic amount, level of security, consumer consumption level and competition level are identified as the primary factors in determining an ideal location for a Japanese-style rotisserie restaurant. Based on field investigation, the uncertain information on primary factors is represented by fuzzy numbers. Using the fuzzy aggregation model, the best location of restaurant is determined. The case study shows that fuzzy DEA models can be quite useful for solving business problems under uncertainty.     

Fuzzy clusterwise linear regression analysis with symmetrical fuzzy output variable

The traditional regression analysis is usually applied to homogeneous observations. However, there are several real situations where the observations are not homogeneous. In these cases, by utilizing the traditional regression, we have a loss of performance in fitting terms. Then, for improving the goodness of fit, it is more suitable to apply the so-called clusterwise regression analysis. The aim of clusterwise linear regression analysis is to embed the techniques of clustering into regression analysis. In this way, the clustering methods are utilized for overcoming the heterogeneity problem in regression analysis. Furthermore, by integrating cluster analysis into the regression framework, the regression parameters (regression analysis) and membership degrees (cluster analysis) can be estimated simultaneously by optimizing one single objective function. In this paper the clusterwise linear regression has been analyzed in a fuzzy framework. In particular, a fuzzy clusterwise linear regression model (FCWLR model) with symmetrical fuzzy output and crisp input variables for performing fuzzy cluster analysis within a fuzzy linear regression framework is suggested. For measuring the goodness of fit of the suggested FCWLR model with fuzzy output, a fitting index is proposed. In order to illustrate the usefulness of FCWLR model in practice, several applications to artificial and real datasets are shown.