基于客观满意聚类的pH中和过程建模方法

针对一类生产中存在严重非线性的复杂工业过程——p H中和过程,基于客观聚类思想,并结合Gustafson-Kessel聚类,提出一种新的T-S模糊建模方法。根据用户对建模性能的满意度要求,通过迭代模糊聚类,进行模型前提结构和参数的辨识。仿真结果表明,与传统的模糊聚类等方法相比,该方法不依赖于系统的先验知识和预先定义的模糊隶属度函数,具有较为精简的结构和更好的逼近性能,对数据中的噪声具有一定的鲁棒性。     

基于满意聚类的多模型建模方法

从系统输入输出数据出发, 首先在GK模糊聚类算法的基础上, 提出一种模糊满意聚类算法, 该算法能快速对系统进行用户满意的模糊划分 ;继而将其引入多模型建模过程中, 满意的系统划分数目即对应多模型个数, 然后针对不同的聚类建立起相应的子系统模型, 全局系统可视为各子模型的加权组合 ;最后通过几个典型实例验证了模糊满意聚类及基于此的多模型建模方法的有效性、准确性和快速性.     

基于改进满意聚类的多模型建模方法

针对模糊聚类中普遍存在的聚类个数需要事先给定和收敛速度慢等问题,在原有聚类方法的基础上提出一种改进满意聚类算法。用该算法快速确定系统的模糊划分数目,进而用支持向量机算法建立每个聚类的子模型,将输入变量对各类别的隶属度作为权值,将多个子模型用加权方式组合。工业仿真实例验证了基于该方法的多模型建模方法的有效性、准确性和快速性。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标,给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型;采用多目标遗传算法优化模糊模型;为提高模型的解释性,在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模,仿真结果验证了该方法的有效性。     

集群资源模糊聚类划分模型

提出一种集群资源模糊聚类划分模型。对计算机集群中计算节点的CPU、内存、网络、I/O和网卡资源参数进行量化和规范化,运用模糊聚类技术,实现计算节点的聚类划分。引入任务资源需求向量和最低误差容忍向量,将计算机集群划分为若干个性能均衡的逻辑子群。测试结果表明,该模型能有效划分计算机集群,适用于云计算领域的资源调度。     

基于模糊聚类神经网络的化工过程预报模型研究

本文提出了在化工过程预报中的模糊聚类神经网络模型,该模型具有提取典型数据、优化模糊规则及优化参数的优点,在化工过程预报实验中与传统方法相比预报结果的精度提高,计算时间缩短。     

基于覆盖聚类的TS模糊神经网络热工对象建模

热工过程具有非常复杂的动态特性以及强耦合、大延迟和不确定等特征。控制过程需要较为精确的模型,但是常规的建模往往并不能满足要求,因此提出一种改进型的TS模糊神经网络建模方法。首先基于一种覆盖聚类算法对离线数据进行分类,初步得到模糊神经网络的前件和后件参数,再利用卡尔曼滤波算法调整后件参数和动态梯度算法调整隶属函数的宽度和中心,最后把得到的前件参数和后件参数进入在线网络,若进入网络的实时数据不属于所有的类,则应增加聚类中心和规则。     

基于AR模型的动态模糊聚类算法

与传统的硬划分聚类相比,模糊聚类算法(以FCM为例)对数据的比例变化具有鲁棒性,能够更准确地反映数据点与类中心的实际关系,目前已得到广泛应用.然而对于时序基因表达数据来说,传统的聚类算法往往不能充分利用到数据中时间上的动态关联信息.因此可以在模糊聚类算法的基础上引入自回归(AR)模型,将时序基因表达数据作为一组时间序列进行动态的聚类分析.这样不仅可以充分利用到时序基因表达数据的内部自相关性,并且可以进一步利用隶属度函数对AR模型的预测过程进行模糊化调整,从而得到更为理想的聚类结果.     

MIMO系统的多模型预测控制

针对非线性多变量系统提出一种多模型预测控制(MMPC)策略.首先给出一种多模型辨识方法,利用模糊满意聚类算法将复杂非线性系统划分为若干子系统,并获得多个线性模型,通过模型变换得出全局系统模型,接着对全局MIMO系统设计MMPC,并进行了系统的性能分析,最后以pH中和过程为例,通过仿真研究验证了辨识和控制算法的有效性.     

基于模糊聚类的数据分布模型的研究

本文分析了分布式数据库系统中，数据分段、分布与备份等问题，提出了基于模糊聚类的数据分布模型，并给出了详细的论述。     

Adaptive nonlinear control of pH neutralization processes using fuzzy approximators

In this paper, an adaptive control scheme, based on fuzzy logic systems, for pH control is addressed. For implementation of the proposed scheme no composition measurement is required. Stability of the closed-loop system is established and it is shown that the solution of the closed-loop system is uniformly ultimately bounded and under a certain condition, asymptotical stability is achieved. Effectiveness of the proposed controller is tested through simulation and experimental studies. Results indicate that the proposed controller has good performances in set-point tracking and load rejection and much better than that of a tuned PI controller.     

基于T-S模糊模型的非线性预测控制策略

提出了一种新的基于T-S模糊模型的非线性预测控制策略. T-S模糊模型用于描述对象的非线性动态特性, 通过将模糊模型的输出反馈回来作为模型输入, 从而构成了模糊多步预报器. 由于T-S模糊模型每条规则的结论部分是一个线性模型, 因此整个模糊模型可以看作一个线性时变系统, 从而将模糊预测控制器中的非线性优化问题转化为一个线性二次寻优问题, 以方便求解. pH中和过程的仿真结果表明其性能优于传统的动态矩阵控制器.     

一种改进的可能模糊聚类算法*

通过分析FCM、PCM、IPCM和PFCM等流行的聚类算法和它们在噪声环境下所面临的问题,提出一种概率模糊聚类新算法（SWPFCM）,该算法结合样本加权和一种适用于噪音环境下的初始化聚类中心的方法,可以有效地消除噪声对聚类结果的影响。实验表明,SWPFCM算法具有处理大量噪声数据的能力,但对于没有噪声或噪声很少时,效果不明显,当目标样本集中出现噪声时,使用SWPFCM算法聚类将会得到满意的聚类结果。     

新相似性度量在文档模糊聚类中的应用研究

相似文档检索在文档管理中是很重要的,提出一种在大文档集中基于模糊聚类的快速高效的聚类方法,传统方法大都通过词与词之间的比较来检索文档,该方法让文档通过两层结构得出相似度。系统用预定义模糊簇来描述相似文档的特征向量,用这些向量估计相似度,由此得出文档之间的距离,系统应用了新的相似性度量方法,并通过实验证实了其可行性和高效性。     

新模糊聚类有效性指标

模糊聚类是模式识别、机器学习和图像处理等领域的重要研究内容。模糊C-均值聚类算法是最常用的模糊聚类实现算法,该算法需要预先给定聚类数才能对数据集进行聚类。提出了一种新的聚类有效性指标,对聚类结果进行有效性验证。该指标从划分熵、隶属度、几何结构角度,定义了紧凑度、分离度、重叠度三个重要特征测量。在此基础上,提出了一种最佳聚类数确定方法。将新聚类有效性指标和传统有效性指标在6个人工数据集和3个真实数据集进行实验验证。实验结果表明,所提出的指标和方法能够有效地对聚类结果进行评估,适合确定样本的最佳聚类数。     

用于图像分割的粗糙集改进模糊聚类方法

采用一种新的基于粗糙集理论的图像分割算法。通过提取直方图的外层,以及计算像素点周围的局部模糊程度来更新粗糙度。使用局部模糊粗糙度和待定算子来更新FCM算法中的隶属度函数。从粗糙集理论意义上来说,直方图的外层与上近似有关,而直方图取值与下近似有关。该方法通过对比传统的聚类分割算法和刘华军的改进算法,大大降低了时间复杂度,聚类效果显著。实验证明,该方法收敛性较强,运行时间较短,且具有良好的分割效果。