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。     

结合FCS的多视图模糊聚类算法

多视图模糊聚类综合了数据的不同表示,虽然能够产生更全面、宏观的聚类结果,但是容易受到噪声干扰。为了提高抵抗噪声的能力,提出了一种多视图模糊聚类算法。该算法同时继承了多视图聚类和模糊紧致性分离性聚类算法的优点,能够根据不同视图的重要性协同聚类,同时增强算法的鲁棒性。为了验证算法的有效性,选取4个多视图数据集进行了实验。实验结果表明,该算法不仅能够获得较高的聚类准确率,而且能有效地降低噪声数据对聚类结果的影响。     

基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

混合模糊谱系聚类算法

针对模糊C-均值聚类算法对聚类数预先不可知和谱系聚类所具有的缺陷,提出了混合模糊谱系聚类算法,该算法结合模糊聚类和谱系聚类,自动确定聚类数目,并可以有效的对数据进行聚类．实验表明,该算法具有良好的有效性和可行性．     

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。     

无线传感网能量约束模糊c‐均值聚类算法

引入能量限制项来提高聚类算法对能量的敏感性。在聚类过程中,最优聚类数由cos指数的最大值决定。仿真结果表明,与LEACH算法相比,该算法能够获得合理的簇头节点分布,延迟了第一个节点的死亡时间。延长了网络生命周期,平衡节点的能耗。     

模糊相关度与聚类有效性

基于数据集的几何结构,引入数据集的模糊划分的类间相关度．依据类间相关度,定义了一个聚类有效性函数．通过人造数据和实际数据对该聚类有效性函数的性能进行了实验．     

轴承故障的模糊聚类方法

介绍了模糊聚类方法的原理及FCM算法，并将它应用于少故障类别的轴承故障诊断，取得了良好的效果，与神经网络方法相比，模糊聚类方法的实现只需少量样本，克服了神经网络方法需要大量样本来实现的瓶颈．     

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.     

基于核方法的模糊聚类算法

将核方法的思想推广到模糊C-均值算法,构造了基于核函数的模糊核C-均值算法,使其能够聚类非超球体数据、被噪声污染数据、多种模式原型混合数据、不对称数据等多种数据结构,并指出一阶多项式模糊核C-均值算法等价于模糊C-均值算法．人工和实际数据的实验结果表明,与模糊C-均值算法相比,模糊核C-均值算法在多种数据结构条件下可以有效地进行聚类．     

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明：该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。     

基于模糊c均值聚类的计算机键盘用户身份认证

针对传统的口令认证方式在防止密码共享以及密码被盗方面的脆弱性，提出将用户名——口令认证与击键特性认证相结合的认证方式，并给出一种基于模糊c均值聚类进行击键特性认证的新方法．通过利用模糊c均值对用户的击键特性进行训练，生成用户击键特性样本；识别时将当前要求认证用户的击键特性与之进行匹配，并根据系统设定的阈值a来确定当前用户是否为合法用户．实验结果表明，此种击键特性认证方法具有较高的用户识别性能。     

基于模糊神经网络的系统模糊建模方法

提出了一种基于模糊聚类和模糊神经网络的模糊建模方法,该方法首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经来调整模型的前件参数和后件参数,给出了详细的算法,并对仿真实例进行了研究,仿真实例表明,采用聚类技术能够获得好的初始值,使得计算加快,能够取得满意的结果。     

抑制式模糊C-均值聚类研究综述

模糊C-均值聚类及其各种变形和推广在实际应用中取得了巨大成就,获得了国际学者的广泛认可。目前,国际上形成了以硬C-均值聚类、模糊C-均值聚类、可能性C-均值聚类为基础的三大聚类算法簇。抑制式模糊C-均值聚类算法架起了连接硬C-均值聚类算法和模糊C-均值聚类算法的一个桥梁,本文就抑制式模糊C-均值聚类的研究现状进行综述,以期对该算法的更深入研究和应用起到推动作用。     

Neutrosophic fuzzy clustering segmentation algorithm based on HMRF

Considering neutrosophic C-means clustering algorithm with weak ability of suppressing noise, a neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is proposed. First, the hidden Markov random field is used to describe the prior information of the arbitrary pixels classification. Second, information divergence between the prior information and sample classification membership is taken as a regular term and embedded into the existing neutrosophic C-means clustering objective function. Third, the samples in the European Space is mapped into the high-dimensional space through the kernel function, and the iterative expression for the neutrosophic C-means clustering segmentation algorithm based on the hidden Markov random field is obtained by the optimization method. Many standard, actual, and synthetic images corrupted by noise are used to validate the segmentation performance of the improved clustering segmentation algorithm. Experimental results show that the anti-noise performance of the proposed segmentation algorithm is improved significantly than the fuzzy C-means clustering algorithm based on the hidden Markov random field, and other fuzzy clustering segmentation algorithms.     

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。     

基于模糊聚类分析的战场目标分类研究

目标分类是确定各类武器作战任务的基础,也是各类武器确定目标打击顺序的前提。采用模糊聚类分析方法,结合具体实例,围绕目标重要性、打击紧迫性、目标易损性、目标通视性、情报可靠性、任务一致性等指标,对战场目标进行了分类。     

基于模糊概念格的Web搜索结果聚类算法

提出了一种模糊形式概念分析方法,给出了在对象和属性的模糊二元关系上生成模糊概念格的过程．提出了一种在格的拓扑序列上进行概念聚类的快速算法,并且定义了概念聚类间基于偏序的层次关系．该方法利用格理论解决了概念聚类中概念间的多重继承关系,应用在Web搜索结果聚类上,实验结果表明算法在聚类质量和检索性能上都有改进和提高．     

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。