基于聚类的模糊神经网络预测系统

本文在Ｔａｋａｇｉ提出的神经网络驱动的模糊推理基础上,提出了基于聚类的新模糊神经网络的和学习算法。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。     

基于聚类学习算法的模糊系统辨识方法

在建立模糊辨识器的一般数学模型后，利用最近邻聚类算法对样本数据进行分组，然后再将每一组数据视为一个数据对对系统进行在线训练辨识，从而使模糊辨识器能较快的收敛于起初系统。     

基于模糊聚类的模型神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构,仿真研究证明该方法是有效的和可行的。     

基于PAT-array和模糊聚类的文本聚类方法

阐述了基于后缀树的文本聚类（STC)算法,对其所存在的缺陷进行了分析,并在此基础上提出了采用PAT-array和模糊聚类相结合的方法对其进行的改进,以提高聚类的质量。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

基于概率典型性和聚类排斥的无噪声模糊聚类方法

提出了建立在概率典型性和聚类排斥基础上的一个新型无噪声模糊聚类方法RTCM，给出了它的迭代算法过程，并验证了它的收敛性．首先引述了一般的聚类方法，它们主要分为两种：噪声聚类，如模糊c均值（FCM）、可能模糊c均值（FPCM）；无噪声聚类，如NC、PCM等，然后给出了RTCM算法模型和过程，并验证了它的局部收敛性．该算法解决噪声环境下的数据聚类问题，避免了重叠聚类．对比试验表明，该算法改善了噪声环境下FCM，NC、PCM、FPCM的聚类中心质量，有效地解决了PCM在近邻聚类数据中的聚类重叠问题．     

基于T-S模型的非线性系统模糊聚类辨识方法

提出一种基于T-S模型的非线性系统模糊聚类辨识方法,对T-S模糊模型的前提部分和结论部分进行分开辨识,既简化该模型的辨识步骤,又提高它的泛化能力,同时也解决了T-S模糊模型随辨识系统复杂程度提高而规则数增大的问题。对一个非线性系统辨识的仿真结果验证了这种模糊聚类辨识方法的有效性。     

基于模糊聚类的网格信任模型研究

由于网格的开放性和复杂性,对网格的安全提出了更高的要求.在网格信任模型中,采用模糊聚类的方法对网格中的实体进行信任等级和推荐采纳系数的划分;计算推荐信任引入蚁群算法更加全面的反映出推荐信任.通过仿真实验,该模型能够有效的遏制恶意节点对网格信任模型带来的影响,提高了网格信任模型的安全性.     

基于模糊聚类的非线性系统模糊辨识算法

针对模糊聚类算法中数据和运算耗时很长,不适于在线建模与控制的问题,基于模糊聚类型隶属函数和EUM方法,提出了一种新的模糊辨识算法。该方法省去了求解聚类中心的迭代过程,计算时间显著减少。采用该方法对Box—Jenkins煤气炉数据和Mackey—Glass混沌时间序列进行了仿真,结果证明了该方法的有效性。     

基于改进模糊聚类与ANFIS的高速公路事件检测

为了准确并及时地发现高速公路上的交通事故隐患,减少事故引发的交通延迟,提高高速公路运行安全性,结合减法聚类与模糊C均值（FCM）聚类算法对输入样本数据进行聚类,建成初始模糊推理系统,然后通过神经网络的自学习机制,训练模糊系统参数,确定模糊推理规则,建立最终模糊模型。通过仿真实验结果对比,验证了基于改进模糊聚类与自适应神经模糊推理系统（ANFIS）建模方法的有效性。     

基于改进模糊神经推理的武器装备系统组合决策

针对武器装备系统组合决策问题,提出了一种新的基于自适应模糊神经推理的组合决策模型。首先用由高斯函数表示的模糊集定量描述武器系统的作战效能和敏捷性;接着基于波士顿投资组合矩阵进行武器系统模糊分类,建立自适应神经网络;最后利用鸟群算法优化模型相关参数。在样本数据库上的仿真结果表明,该方法可以反映武器系统组合状态,使决策者可以根据需求对组合策略进行调整更新。此外鸟群算法优化后的模型能够在一定程度上提高分类精度,与传统模型相比,具有更低的均方误差和更高的误差容忍率。     

基于减法聚类和自适应神经模糊推理系统的递阶模糊系统的设计

提出了一种设计递阶模糊系统的简易而有效的方法.在得到一个单级模糊系统的基础上,用灵敏度分析法对每一个输入变量的重要性进行排序,从而确定每一级子系统的输入变量.利用减法聚类和自适应神经 模糊推理系统逐级对子系统进行训练.所得到的递阶模糊系统可进一步得到简化.仿真实例证实了设计方法的有效性.     

一种应用分治策略改进的FCM聚类算法

传统的快速聚类算法大多基于模糊C均值算（Fuzzy C-means,FCM）,而FCM对初始聚类中心敏感,对噪音数据敏感并且容易收敛到局部极小值,因而聚类准确率不高。建立使用分治策略解决聚类问题的算法架构,充分考虑数据本身特性并对传统的FCM算法进行改进,标准数据集的实验结果表明这种基于分治策略的FCM聚类算法较好地提高了算法的聚类准确率,加快了收敛速度。     

基于模糊聚类的模糊神经网络控制

对于复杂的非线性离散系统,提出将模糊聚类算法同神经网络相结合,使用衡量聚类有效性的S函数确定模糊规则数目,进而确定模糊神经网络的结构;控制器的设计应用LMI方法。以典型的非线性系统二级倒立摆为例,在Matlab中进行仿真实验,结果表明,基于聚类算法的神经网络控制能够在较大范围的初始状态下使系统获得稳定。     

Hypoglycaemia detection using fuzzy inference system with intelligent optimiser

Hypoglycaemia is a medical term for a body state with a low level of blood glucose. It is a common and serious side effect of insulin therapy in patients with diabetes. In this paper, we propose a system model to measure physiological parameters continuously to provide hypoglycaemia detection for Type 1 diabetes mellitus (TIDM) patients. The resulting model is a fuzzy inference system (FIS). The heart rate (HR), corrected QT interval of the electrocardiogram (ECG) signal (QT_c), change of HR, and change of QT_c are used as the input of the FIS to detect the hypoglycaemic episodes. An intelligent optimiser is designed to optimise the FIS parameters that govern the membership functions and the fuzzy rules. The intelligent optimiser has an implementation framework that incorporates two wavelet mutated differential evolution optimisers to enhance the training performance. A multi-objective optimisation approach is used to perform the training of the FIS in order to meet the medical standards on sensitivity and specificity. Experiments with real data of 16 children (569 data points) with TIDM are studied in this paper. The data are randomly separated into a training set with 5 patients (l99 data points), a validation set with 5 patients (177 data points) and a testing set with 5 patients (193 data points). Experiment results show that the proposed FIS tuned by the proposed intelligent optimiser can offer good performance of classification.     

Feature based fuzzy inference system for segmentation of low-contrast infrared ship images

Segmentation of infrared ship target is important for sea surveillance system. However, as a result of the deficiencies of infrared images, the segmentation of infrared ship image becomes a challenge. For the purpose of addressing this problem, a feature based infrared ship image segmentation method utilizing the fuzzy inference system is proposed. Firstly, the intensity feature is extracted by applying unimodal threshold, which could preserve the low-contrast pixels in the infrared images. Secondly, the local spatial feature is extracted by employing saliency detection, region growing and morphology processing, which could express the shape of the target. Thirdly, the global spatial feature is extracted by utilizing partial region growing and weighted distance transformation, which could suppress the background. Then these features are fuzzified using accommodative ways and prior knowledge. And in light of the fuzzy rules based upon expert knowledge, these fuzzified features are integrated in fuzzy inference system. Finally, the complete target could be directly segmented from the output of the fuzzy inference system. Experimental results illustrate that the proposed method could effectively extract more intact targets from the low-contrast infrared ship images. Additionally, the proposed method outperforms some existed segmentation methods.     

基于模糊聚类的车辆跟驰隶属度函数确定方法

当前研究确定车辆跟驰模糊推理隶属度函数时所采用的方法主要是专家法,不能精确获得车辆跟驰隶属度函数。针对于此,提出根据模糊聚类分析的方法,考虑车辆跟驰数据内部的关联性,利用基于高斯函数的隶属度函数确定方法,进行车辆跟驰模糊集的划分和隶属度函数的确定。使用真实的车辆轨迹数据,将后车速度、前后车相对速度、车间距作为输入变量,后车加速度作为输出变量建立模糊推理系统,对论文提出的基于模糊聚类的车辆跟驰隶属度函数确定方法进行评价。结果表明：本文提出的新方法能真实反映数据本身的特征和驾驶员的心理生理特性,其推理结果与真实数据误差较小,可用于分析模糊推理的车辆跟驰行为特点。     

局部搜索自适应核模糊聚类方法

核模糊C-均值聚类KFCM是利用核函数将数据映射到高维空间,通过计算数据点与聚类中心的隶属度对数据进行聚类的算法,拥有高效、快捷的特点而被广泛应用于各领域,然而KFCM算法存在对聚类中心的初始值敏感和不能自适应确定聚类数两个局限性。针对这两个问题,提出一种局部搜索自适应核模糊聚类方法,该方法引入核方法提高数据的可分性,并构造基于核函数的评价函数来确定最优的聚类数目和利用部分样本数据进行局部搜索以寻找初始聚类中心。人工数据和UCI数据集上的实验结果验证了该算法的有效性。