基于上下文约束的噪声模糊聚类算法

针对带噪声数据的聚类问题,提出一种基于上下文约束的噪声模糊聚类算法。该算法基于标准的模糊C-均值聚类理论,在修改模糊聚类目标函数的同时,结合问题的实际背景引入上下文模糊集,修改模糊划分空间的约束条件,以减少噪声对聚类结果的影响。实验结果表明：该算法能够有效地避免噪声对聚类的影响,具有很强的鲁棒性。     

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。     

基于模糊聚类和卡尔曼滤波方法的模糊辨识*

本文提出一种通用的基于模糊聚类和卡尔曼滤波方法的模糊辨识方法。模糊聚类方法在给定的广义目标下按线性簇对被辨识的样本数据进行聚类，这样使得被辨识模型可用基干局部线性模型表示，然后，利用卡尔曼滤波方法拟合这些线性模型。本文给出了详细的模糊辨识算法。为了验证该辨识方法的有效性，本文最后给出了熟知的Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

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。     

基于自适应模糊聚类的无监督APT攻击检测方法研究

针对现有基于机器学习的APT攻击检测方法大多需要大量标注攻击样本的问题,提出了一种基于自适应模糊聚类的无监督APT攻击检测方法。该方法在模糊C均值聚类基础上引入自适应机制,使其能够有效适应复杂多变的APT检测数据,并可有效减缓噪声对聚类性能的影响。为验证所提出方法有效性,将之应用于KDDCup99数据集,以实现对未知攻击的检测。实验结果表明,该方法具有较高检测准确率,对无监督模式下APT攻击检测研究具有一定指导意义。     

基于模糊聚类的神经网络故障诊断方法

提出基于模糊聚类的BP神经网络（Fuzzy Clustering BP Neural Network,简称FCBPNN）故障诊断的理论和方法,即利用模糊聚类准则对样本数据进行预处理.通过仿真比较FCBPNN与简单BPNN两种方法在抽风机组的故障诊断中的应用,证明了该方法的有效性.     

改进的模糊聚类PCA算法对噪声数据的处理

模糊C均值（FCM）算法是模式识别领域中应用最广的聚类算法之一。但是FCM算法存在很多缺点,其中以对噪声数据敏感,鲁棒性较差最为突出。针对这种情况,许多学者都提出了改进算法。介绍一种改进算法即PCA算法,并对PCA在处理噪声数据方面作出了实践性尝试,实验数据进一步证明了PCA算法的好处,这对合理使用模糊聚类算法提供了一定的理论依据。     

一种基于萤火虫算法的模糊聚类方法

针对模糊C-均值聚类对初始值敏感、容易陷入局部最优的缺陷,提出了一种基于萤火虫算法的模糊聚类方法。该方法结合萤火虫算法良好的全局寻优能力和模糊C-均值算法的较强的局部搜索特性,用萤火虫算法优化搜索FCM的聚类中心,利用FCM进行聚类,有效地克服了模糊C-均值聚类的不足,同时增强了萤火虫算法的局部搜索能力。实验结果表明,该算法具有很好的全局寻优能力和较快的收敛速度,能有效地收敛于全局最优解,具有较好的聚类效果。     

基于模糊聚类和Naive Bayes方法的文本分类器

本文提出一种文本分类的新方法，该方法将模糊聚类与基于Naive Bayes的EM分类算法相结合，从而大大提高了EM分类算法的准确性，并解决了使用字符匹配引起的不完整性和不准确性问题。该方法首先给出每个类的一些关键词，并把这些关键词作为聚类中心进行聚类，然后使用距离聚类中心较近的文档启动一个引导过程。     

模糊聚类算法船舶故障诊断中的应用

众多船舶设备构成一个复杂设备系统,对其使用传统的故障诊断方法,不能及时检测出相应故障,进而对船舶的安全运行产生重大影响。因此,本文将WRTCM聚类算法结合模糊故障诊断方法应用到船舶设备的故障诊断中。?WRTCM算法是建立在概率典型性和聚类排斥基础上的一个的新型无噪声模糊聚类方法,它是对RTCM算法的有效改进,该算法解决噪声环境下有可能产生一致聚类中心,从而提高了聚类精度。通过船舶主机轴系的故障数据试验,证明了该算法的有效性。     

基于新的相异度量的模糊K-Modes聚类算法

传统的模糊K-Modes聚类算法采用简单匹配方法度量对象与Mode之间的相异程度,没有充分考虑Mode对类的代表程度,容易造成信息的丢失,弱化了类内的相似性。针对上述问题,通过对象对类的隶属度反映Mode对类的代表程度,提出一种新的相异度量,并将它应用于传统的模糊K—Modes聚类算法。与传统的K—Modes和模糊K-Modes聚类算法相比,该相异度量是有效的。     

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。     

基于概率模糊认知图的混合入侵检测方法

结合模糊认知图理论，构造基于概率模糊认知图（PFCM）的攻击图来描述入侵行为，提出一种结合误用检测和异常检测的基于PFCM的混合入侵检测方法．该方法用模糊概念描述异常，用数值运算代替模式匹配，并利用概率测度有效表示各因素问关系的不确定性．构造基于PFCM的Smurf攻击图并进行检测实验，实验结果表明该方法能在保持高检测率的情况下降低误报率，并具有较好的鲁棒性．     

基于新相似度的模糊协同聚类改进算法

提出一种优化传统协同聚类中模糊点类别归属的改进算法,该算法引入基于清晰半径的新相似性距离公式,用超球体中心区域代替传统算法中的类中心,在各子集初始聚类结果的基础上,对容易导致类别归属错误的模糊点重新计算隶属度,得到较为清晰的聚类结果。实验结果显示,改进算法能很大程度地减少边界上的模糊点个数及纠正分类错误,清晰半径的引入还能弱化各子集之间协同系数的差异,使得参数设置更为简单。     

代表点一致性约束的多视角模糊聚类算法

多视角数据的涌现对传统单视角聚类算法提出了挑战.利用单视角聚类算法独立地对每个视角进行划分,再通过集成机制获取全局划分的方法,人为地割裂了视角之间的内在联系,难以获得理想的聚类效果.针对此问题,提出了一个多视角聚类模型.该模型不仅考虑了视角内的划分质量,还兼顾了视角间的协同学习机制.对于视角内的划分,为了捕捉更为准确的簇内结构信息,采用多代表点的簇结构表示策略;对于视角间的协同学习机制,假设簇中代表点在不同视角下,其代表性保持.因此,在该模型基础上提出了基于代表点一致性约束的多视角模糊聚类算法（multi-view fuzzy clustering with a medoid invariant constraint,简称MFCMddI）.该算法通过最大化两两相邻视角下代表点权重系数的乘积之和来保证代表点一致性.MFCMddI的目标函数可通过引入拉格朗日乘子和KKT条件进行优化.在人工数据集以及真实数据集上的实验结果均表明,该算法相对于所引入的对比算法而言具有一定的优势.     

基于模糊聚类的文本挖掘算法

针对传统FCM算法对孤立点比较敏感,须预先指定聚类数目的缺陷,提出一种新的模糊聚类算法NSFCM,将其应用干文本挖掘中。NSFCM对数据对象的隶属度增加一个权值,以减少孤立点对聚类中心的影响。采用平均信息熵确定聚类数,通过密度函数获得初始聚类中心。仿真结果证明,该算法聚类的精度和执行效率均高于FCM算法,效果较好。     

基于隶属比的聚类有效性指标

针对模糊聚类需要预知最佳聚类个数的问题,提出了一种新的基于隶属比的聚类有效性指标V_new,首先根据经典有效性指标的设计思路,充分考虑数据集合的隶属度矩阵特征和几何空间分布,通过重新定义类内距和类间距的方式,推导出基本的有效性指标;其次,定义隶属比的概念,放大基本有效性指标的计算值;最后,为了避免隶属比对有效性指标造成过分影响而失去意义,引入分类个数进行抑制. 理论分析和仿真实验表明,通过对相同数据集进行分析处理,与经典的XB指标相比V_xb,新指标V_new具有更高的准确率和可靠性,在类间有重叠数据的情况下也能够做出正确的划分,具有一定的推广价值.     

基于模糊聚类的半自动跟踪技术研究

现有半自动跟踪系统将操作员等效为准线性环节,增大了训练的难度和成本,不适应复杂战场环境下多个快速机动目标的选取和跟踪.利用特征提取方法得到视场的“潜在目标”集,引入模糊聚类方法,通过对操作响应进行分类,建立操控意图与目标运动特征之间的关系模型.通过充分的仿真试验,对比研究了跟踪平稳性、快速性、准确性等指标,结果说明该方法能够有效提升整体跟踪性能.