基于免疫遗传算法的模糊C-均值聚类

为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法(即免疫遗传算法)来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。

基于改进模糊C-均值聚类的陆上风电场集电线路回路划分与拓扑结构优化

【目的】在“双碳”目标以及我国能源结构加速转型的双重驱动下,风电产业规模不断快速增长,亟须降本增效以应对平价上网压力。集电线路的造价在投资中占比较大,存在可观的优化空间。为了降低投资成本,提出了一种改进模糊C-均值(fuzzy C-means,FCM)聚类算法。【方法】利用改进FCM聚类算法对陆上风电场集电线路回路进行划分。该算法综合考虑了方位角与欧式距离,以保障回路间线路不交叉,并使相邻机组聚集到同一回路;引入机位到聚类中心距离的修正因子,通过调节其数值限制回路容量。在回路划分的基础上,利用动态Prim算法对各回路进行集电线路优化选线。最后,通过某陆上风电场算例验证方法的有效性。【结果】与只考虑方位角的聚类方法相比,考虑方位角和间距的改进FCM算法优化效果更好,单回、双回连接对应的集电线路总造价分别降低了2.6%和5.4%。【结论】所提算法能够有效降低集电线路的总造价,具有一定的应用价值,可为风电场集电线路设计提供参考。

基于遗传算法的模糊c-均值聚类算法

基于误差平方和准则的模糊c-均值算法(FCM)是一种典型的动态聚类算法,其求解结果通常是局部最优解;当模糊集合之间的并、交、包含运算采用传统定义时,在模糊c-均值聚类结果中还会存在无意义的聚类集。研究表明采用遗传算法进行模糊c-均值聚类(Fuzzyc-meansalgorithmovergeneticalgorithm,GFCM)时,不仅能够消除无意义的聚类集,而且还在一定程度上避免模糊c-均值算法收敛到局部最优解,为此设计编码、选择、配对交叉、变异等步骤。测试数据实验表明采用GFCM算法的结果优于FCM算法。

遗传+模糊C-均值混合聚类算法

本文提出了一种新的结合遗传算法(GA)和模糊C^-均值算法(FCM)的混合聚类算法(HCA)。它通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了GA在达到全局最优解前收敛慢和FCM算法容易陷入局部极小的问题。三组不同分布类型的数据聚类实验表明,该算法具有较好的通用性和有效性。

基于模糊c-均值算法和遗传算法的新聚类方法

为了得到最佳聚类数和相应的每一类中的样本 ,文中首先介绍了一种新聚类方法 ,用该方法构造了一个既考虑类与类之间的分散程度、又考虑同一类紧凑程度的目标评价函数 ;再运用模糊c -均值算法 (FCM )进行迭代 ,求得每一类的中心和隶属度值 ;然后运用遗传算法搜索全局极值点 ;最后运用该算法对我国全要素生产力进行了模糊分类 .

基于遗传模糊C-均值聚类算法的图像分割

将遗传算法 (GA)与模糊 C-均值聚类算法 (FCM算法 )相结合 ,并运用于图像分割 ,以期解决标准 FCM算法在图像分割中运算速度慢和对初始值依赖大的两大缺陷。首先对模糊聚类中心进行编码 ,然后依据 FCM算法的目标函数建立适应度函数 ,在适当的交叉率和变异率下 ,最终实现了基于遗传模糊 C-均值算法的图像分割。考虑在一维图像分割特征向量情况下 ,通过引入直方图统计特性 ,实现了遗传模糊 C-均值算法的快速运算。最后 ,运用真实的磨粒图像对算法进行了详细验证 ,并与标准 FCM算法进行了对比 ,分割实验表明了本文方法比标准 FCM算法具有更快的计算速度和更好的鲁棒性。

基于混合遗传模拟退火的模糊C-均值聚类算法

一般模糊C-均值聚类算法存在易于陷入局部最优的缺陷,基于此,提出了一种基于混合遗传模拟退火的模糊C-均值聚类算法,并利用UIC机器学习数据库中的Car、Iris和Wine数据集验证了算法的有效性。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化(PSO)算法全局寻优、快速收敛的特点,结合模糊C-均值(FCM)算法提出一种新的模糊聚类算法.新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极小的缺陷;同时也降低了FCM算法对初始值的敏感度.实验结果表明,与FCM相比本文算法聚类更为准确,效率更高.

基于模糊C-均值聚类的锅炉监控参数基准值建模

锅炉各监控参数基准值的确定是分析锅炉运行能耗偏差的基础。该文充分利用锅炉运行数据的关联特性,提出了一种基于模糊C-均值聚类算法实现多参量同步聚类以确定锅炉监控参数基准值的方法。该方法可以在实际运行数据中同步挖掘出某典型负荷邻域区间对应的排烟氧量、排烟温度和飞灰含碳量等监控参数基准值,从而达到改善锅炉运行性能的目标。在多参量同步聚类算法中,利用有效性函数优化模糊聚类数,提出运行模式支持度的相关概念及其样本支持判定的规则,并对类中心点处较小ε区域内样本进行无偏估计。实例分析结果表明:该方法能够在兼顾参数之间耦合关系的基础上,得到高效工况下对应的各基准值样本点,并建立相应的基准值模型。

基于遗传算法的岩体结构面的模糊C均值聚类方法

提出了一种基于遗传算法的岩体结构面模糊C均值聚类方法,避免了人为划定分类界限的主观性,解决了模糊C均值聚类算法的局部最优的弱点。同时结合现场实测数据,对应用该方法进行结构面产状分类的具体步骤、参数选取、分组有效性和优势方位判定进行了分析和讨论。

基于人工鱼群算法和模糊C-均值聚类的洪水分类方法

为了克服模糊C-均值聚类(FCM)算法依赖初值的缺点,引入人工鱼群算法(AFS)建立一种新的聚类算法,应用于洪水分类研究。该算法将聚类中心看作食物源,通过样本抽样产生初始鱼群,利用人工鱼群算法能全局寻优和快速收敛的特点,得到一个较优的初始聚类结果,再使用FCM算法进行局部搜索,以避免因初值选取不当,而有可能陷入局部最小的缺陷。该方法应用于对西江流域洪水资料的分析结果表明,新算法具有比FCM算法更好的性能表现,使得到的分类结果更加准确合理。

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。

基于粒子群优化的模糊C-均值聚类算法研究

针对用模糊C-均值聚类算法选择初始聚类中心敏感及模糊加权指数m对模糊C-均值聚类算法的聚类性能影响较大等问题,利用粒子群优化算法的全局寻优能力强及收敛速度较快的特点,结合模糊C-均值算法提出一种新的模糊聚类算法;采用了一种简单有效的粒子编码方法,将初始聚类中心和模糊加权指数m同时进行粒子群优化搜索,在得到最优适应度的同时,m也收敛到一个稳定的最优解,从而有效地解决了上述问题。算法在人工合成数据集和多个UCI数据集上都取得了较好的效果。

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

模糊C-均值聚类算法的优化

针对传统模糊C-均值聚类算法(FCM算法)初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法(Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法)。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。

基于粒子群优化的模糊C-均值聚类改进算法

针对模糊C-均值聚类算法(FCM)存在易陷入局部优化的问题,将粒子群优化算法(PSO)和模糊C-均值聚类算法FCM相结合,提出了一种新的模糊聚类算法PSO-FCM。该算法使用PSO算法来代替FCM的迭代过程以实现模糊聚类,具有了很强的全局搜索能力,从而不用再为得到好的聚类效果而反复选择初值。仿真实验结果表明,提出的模糊聚类算法提高了FCM的搜索能力,具有更好的稳定性和健壮性,优化能力增强,提高了聚类的效率和效果。

基于自适应模糊C-均值的增量式聚类算法

针对模糊C-均值(FCM)算法不能很好地处理更新数据的缺点,提出基于FCM的自适应增量式聚类算法AIFCM。该算法结合密度和集合的思想,给出一种自动确定聚类初始中心的方法,能在聚类过程中动态改变聚类结果数,改善聚类的质量,减少人为的主观因素,获得比较符合用户需求的聚类结果,并能在原有聚类结果的基础上简单有效地处理更新数据,过滤噪声数据,较好地避免大量重复计算。

可能性模糊C-均值聚类新算法

模糊C-均值聚类(FCM)对噪声数据敏感和可能性C-均值聚类(PCM)对初始类中心非常敏感易导致一致性聚类.可能性模糊C-均值聚类(PFCM)综合了FCM和PCM算法并且克服了这些缺点.但是PFCM必须先运行FCM来计算参数.提出一种新的PCM算法,新的PCM算法利用协方差矩阵来计算参数衡量了数据集的紧凑程度且无须先运行FCM,在新的PCM和FCM基础上提出了新PFCM算法,该算法无须事先运行FCM以计算参数,减少了算法运算时间.对数据集的测试实验结果表明了提出的新算法能同时产生模糊隶属度和典型值,减少聚类时间,同时具有更好的分类准确率.

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improved semi-supervised fuzzy c-means clustering algorithm,ISS-FCM)。定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以引导聚类过程。为避免随机初始化划分矩阵使聚类结果陷入局部极值,利用训练样本对划分矩阵进行初始化。由于原始油液数据的聚类趋势不明显,不能有效描述发动机的磨损状态,利用自回归(Autoregression,AR)模型从油液光谱数据中提取出残差方差特征。结合某型履带车辆发动机台架试验,利用所提ISS-FCM算法对油液原子发射光谱测量数据进行分析,成功诊断出该发动机的拉缸和烧瓦故障。试验结果证明该方法在发动机磨损故障诊断领域的有效性。