模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后，提出了一种新的算法——基于聚类的数据配准：在多目标的情况下，先采用模糊c-均值法对传感器同一单帧量测数据进行聚类，得到的聚类中心作为各目标点的理想位置参数，再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计，然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强，与配准模型无关。最后给出了的仿真结果与分析。     

SOM＋K-means两阶段聚类算法及其应用

在众多聚类算法中,K-means和自组织神经网络（SOM）是较为经典的2个。在分析2种算法优缺点的基础上,提出基于SOM的K-means两阶段聚类算法,该算法根据SOM算法自动聚类的优点得到初步聚类数目和各类中心点,以此作为K-means算法的初始输入进一步聚类,从而得到精确的聚类信息。最后,应用该算法对某地区电信家庭客户数据进行分析,结果表明该算法有较好的聚类效果。     

模糊K-Harmonic Means聚类算法

对K-Harmonic Means算法进行扩展,考虑到数据点对不同类的隶属关系,将模糊的概念应用到聚类中,提出了模糊K-Harmonic Means算法,推导出聚类中心和模糊隶属度的迭代公式．在中心迭代聚类算法统一框架的基础上,推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据加权函数表达式．最后,用Folkes & Mallows指标对聚类结果进行评价．实验表明,模糊K-Harmonic Means(KHM)算法在聚类对于初值不敏感的同时提高了聚类结果的精确度,达到较好的聚类效果．     

一种新的模糊-卡尔曼滤波器的控制算法及应用

针对高速剪切中管材运动需要精确而快速的预测问题,提出了一种新的模糊-卡尔曼滤波器:将过程噪声、量测噪声与残差均值和残差方差之间分别建立模糊曲面;省略模糊规则推理;将滤波器的采样时间与剪切误差之间的关系模糊化.以这样结构的滤波器来提高对剪切误差的跟踪和预测能力.仿真结果显示,新的模糊-卡尔曼滤波器比传统的卡尔曼滤波器更快和更稳定地将剪切误差进行抑制,而且剪切精度得到提高.     

具有自适应能力的高速剪切伺服控制

该控制算法以驱动高速剪切机的伺服系统为研究对象,将伺服系统设定为位置控制方式,通过单位时间内接收定位脉冲的个数来实现高精度速度的控制,由闭环反馈所得到的管材剪切误差和预报误差对单位时间内定位脉冲的个数加以调节,使得高速剪切控制具有自适应能力,可以很快地剪切误差收敛到允许范围内。     

模糊c-均值聚类在多传感器数据配准中的应用

在分析了以前的多传感器空间数据配准算法的特点和不足之后,提出了一种新的算法———基于聚类的数据配准:在多目标的情况下,先采用模糊c-均值法对传感器同一单帧量测数据进行聚类,得到的聚类中心作为各目标点的理想位置参数,再将由各目标点计算出的某一传感器误差值进行平均得到此传感器的误差估计,然后将各帧得到的误差估计再进行平均实现传感器配准。这种算法优点是实时性较强,与配准模型无关。最后给出了的仿真结果与分析。