对于模糊ARTMAP的研究及改进

在模糊artmap网络中，F2层每增加一个的神经元就表示增加了一个聚类，这是该网络的优点同时也增加了网络的负荷。文中对模糊artmap算法进行了简要介绍并分析了算法的收敛复杂度。在此基础上，提出数据集划分法以提高网络的收敛速度。最后通过试验比较算法改进前后的网络收敛速度的差异，证明改进后网络的收敛速度明显提高。     

对于不平衡数据的模糊时间序列预测

模糊时间序列自从被提出便得到广泛的关注。在运用模糊时间序列进行预测时,增加预测的准确度为研究的根本点。为了使预测结果更加精准,本文首先对不平衡数据集分类,将数据进行初始的划分,然后进行模糊时间序列预测,最后通过实验表明了该方法的实用性。     

采用模糊ARTMAP神经网络的字符识别方法

本文研究了将模糊ＡＲＴＭＡＰ神经网用于字符识别方法。实验证明这种将模糊技术与神经网络相结合的混合系统具有较高的识别率和较快的识别速度，采用ＡＲＴＭＡＰ神经网络只需要较少的网络训练时间。     

FCM算法的改进及仿真实验研究

针对FCM原型算法的不足,提出一种新的改进方法,并进行仿真实验研究。利用主成分分析方法对原始数据集的指标进行筛选,应用Relief算法对入选指标计算权重。在此基础上,对FCM算法进行了改进。应用模糊划分系数Fc（R）和平均模糊熵Hc（R）这两个指标对算法的性能进行了评价。仿真实验结果表明,改进后的FCM算法对样本集数据的分类符合率达到了91.5%,其模糊划分系数Fc（R）和平均模糊熵Hc（R）分别为0.924和－0.062。改进后的FCM算法分类性能优于FCM原型算法,在应用中可以取得更好的效果。     

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。     

基于MapReduce的并行化模糊划分算法

针对大规模项目资源库中项目资源信息无序而导致无法准确快速找出项目资源库中所需资源的问题,提出了基于MapReduce的并行化模糊聚类划分算法。该算法首先抽象原始项目资源特征属性并标准化;其次,根据标准化后的特征属性建立项目相似矩阵,运用矩阵分块思想分割矩阵;然后,利用MapReduce技术处理分块矩阵并合并结果;最后,运用阈值评判划分成若干个有序的项目组。与K-means算法和遗传算法的对比实验结果证明:该算法具有较高的准确率和查全率,并且在大规模数据计算时能够得到较高的加速比,可以有效准确地划分项目资源。     

关于模糊C-均值（FCM）聚类算法的改进

针对模糊C-均值（FCM）聚类算法的容易收敛于局部极值的不足,提出了一种改进的模糊FCM聚类算法,此新算法在聚类中心选取和优化过程中进行了充分的考虑,是一种用于确定最佳聚类数的聚类算法,并且利用了分阶段思想,结合动态直接聚类算法和标准聚类算法,来尽量避免模糊C-均值（FCM）聚类算法的不足。新算法与传统（FCM）聚类算法方法相比,提高了算法的寻优能力,并且迭代次数更少,在准确度上也有较大的提高,具有很好的实际应用价值。     

具有自适应类警戒参数的模糊ARTMAP神经网络

提出了一种具有自适应类警戒参数的模糊ＡＲＴＭＡＰ神经网络,为不同的模糊ＡＲＴ的类族设置了不同的警戒测试参数,并在学习过程中进行适应调整。还提出了新的非交叠超方形以及非交叠的Ｎｅｓｔｅｄ超主形的建立与扩展学习规则。     

模糊ARTMAP神经网络在TM影像分类中的应用

阐述了模糊ARTMAP网络结构及其采用的算法，提出一种引入遥感图像判读结果的警戒系数自动调整算法，能够解决人为选择警戒参数效率低、难以取得合适数值的问题．仿真结果表明，具有警戒系数调整功能的模糊ARTMAP神经网络能够有效地对向海自然保护区的TM影像进行分类，它与最大似然法和传统的模糊ARTMAP神经网络相比，对样本的依赖程度较低，分类精度较高．     

按风格划分数据的模糊聚类算法

以K-means和模糊C均值为代表的划分式聚类算法无法有效处理按照风格为标准划分样本的聚类任务.针对此问题,文中提出按风格划分数据的模糊聚类算法.利用风格标准化矩阵表示包含在类簇中样本的风格信息,同时使用逼近标准风格之后的样本计算距离矩阵,并以隶属度表示样本点对于类簇的可代表程度.通过常用的交替优化策略同时优化隶属度矩阵和风格标准化矩阵.文中算法可以有效利用样本的风格信息和样本点与类簇之间的关系信息,在人工数据集和真实数据集上的实验表明算法的有效性.     

规则抽取的Fuzzy ARTMAP方法

着重阐述了如何使用有教师监督的自组织神经网络－模糊自适应共振映射网络（Ｆｕｚｚｙ ＡＲＴＭＡＰ）从例子中抽取知识规则。叙述了规则抽取中的两个细节：网络修剪，即删除那些对网络抽取规则贡献不大的节点及其相连的权值；权值的量化，以使系统最终能释译成一套可使用的规则。本文对Ｆｕｚｚｙ ＡＲＴＭＡＰ网络作了改进和简化，并用于医学上心电图（ＥＣＧ）信号中室性早搏（ＰＶＣ）诊断规则的自动获取，取得了比较满意的结     

A Fast Simplified Fuzzy ARTMAP Network

We present an algorithmic variant of the simplified fuzzy ARTMAP (SFAM) network, whose structure resembles those of feed-forward networks. Its difference with Kasuba's model is discussed, and their performances are compared on two benchmarks. We show that our algorithm is much faster than Kasuba's algorithm, and by increasing the number of training samples, the difference in speed grows enormously.The performances of the SFAM and the MLP (multilayer perceptron) are compared on three problems: the two benchmarks, and the Farsi optical character recognition (OCR) problem. For training the MLP two different variants of the backpropagation algorithm are used: the BPLRF algorithm (backpropagation with plummeting learning rate factor) for the benchmarks, and the BST algorithm (backpropagation with selective training) for the Farsi OCR problem.The results obtained on all of the three case studies with the MLP and the SFAM, embedded in their customized systems, show that the SFAM's convergence in fast-training mode, is faster than that of MLP, and online operation of the MLP is faster than that of the SFAM. On the benchmark problems the MLP has much better recognition rate than the SFAM. On the Farsi OCR problem, the recognition error of the SFAM is higher than that of the MLP on ill-engineered datasets, but equal on well-engineered ones. The flexible configuration of the SFAM, i.e. its capability to increase the size of the network in order to learn new patterns, as well as its simple parameter adjustment, remain unchallenged by the MLP.     

基于模糊聚类的改进的模糊关联规则挖掘算法

文中提出一种新的方法通过使用模糊c均值对原始数据集进行预处理操作,通过这个操作可以把定量属性值转换为二进制值,继而就会得到原始数据集的模糊版本（由模糊记录和模糊属性组成）。另外,文中又提出了一种基于模糊Apfiori算法的快速提取规则的算法,这种算法是利用模糊聚类从先前得到的原始数据集的模糊版本中提取模糊频繁项集从而可以得到模糊关联规则。在文章的最后,实验结果显示了提出的新算法在处理大型数据集时在挖掘时间上要优于传统的Apriori算法。对大型数据库来说,该算法在实用性和可用性上面都有很好的发展前景。     

Fuzzy ARTMAP神经网络在土地覆盖分类中的应用研究

面对数量激增、包含信息日趋复杂的遥感影像，如何快速有效地自动分类已成为遥感领域亟待解决的问题。以TM影像为实例，探讨了Fuzzy ARTMAP神经网络在土地覆盖分类方面的应用。在总结Fuzzy ARTMAP网络警戒系数调整方法的基础上，提出了一种新的设置和调整警戒系数的方法。实验结果表明，这种新方法可以解决人为选择警戒系数效率低、难以取得合适数值的问题，并能提高网络的收敛速度和分类精度，结合本文所提算法的Fuzzy ARTMAP神经网络与最大似然法和传统Fuzzy ARTMAP网络相比较，训练时间缩短，分类精度有所提高。Fuzzy ARTMAP网络用于土地覆盖分类研究可以获得相对较好的分类结果。     

L-p Fuzzy ARTMAP neural network architecture

In this paper, an L-p based Fuzzy ARTMAP neural network is presented. The category choice of this network is based on the L-p norm. Geometrical properties of this architecture are presented. Comparisons between this category choice and the category choice of the Fuzzy ARTMAP are illustrated. And simulation results on the databases taken from the UCI repository are performed. It will be shown that using the L-p norm is geometrically more attractive. It will operate directly on the input patterns without the need for doing any preprocessing. It should be noted that the Fuzzy ARTMAP architecture requires two preprocessing steps: normalization and complement coding. Simulation results on different databases show the good generalization performance of the L-p Fuzzy ARTMAP compared to the performance of Fuzzy ARTMAP.     

模糊控制器的研究与改进

对常规的模糊控制器进行了研究,分析了现有模糊控制器的优缺点,从提高模糊控制器自适应能力的角度出发,对原有的模糊控制器进行改进,使其能在运行中自动修改,调整控制,使系统的性能不断改善,直到达到预定的效果。     

模糊控制器的研究与改进

对常规的模糊控制器进行了研究,分析了现有模糊控制器的优缺点,从提高模糊控制器自适应能力的角度出发,对原有的模糊控制器进行改进,使其能在运行中自动修改,调整控制,使系统的性能不断改善,直到达到预定的效果。