基于样本加权的可能性模糊聚类算法

可能性模糊聚类算法解决了噪音敏感和一致性聚类问题,但算法假定每个待分析样本对聚类的贡献相同,导致离群点或噪声点对算法的干扰较强,算法迭代次数过大.为此,提出一种基于样本加权的可能性模糊聚类算法,新算法具有更快的收敛速度,对标准数据集和人工数据集加噪后的测试结果表明,该算法具有更强的鲁棒性,在有效降低时间复杂度的同时能够取得较好的聚类准确率.

特征逐减的可能性模糊聚类算法

模糊C均值聚类(FCM)和可能性模糊C均值聚类(PFCM)没有考虑样本特征项及每个样本对聚类的贡献程度,存在对噪声较敏感的问题。特征减少的模糊聚类算法FRFCM可剔除数据集中无效特征量,且考虑了剩余特征量的权重,具有更好的聚类性能。对此,在可能性模糊C均值聚类算法(PFCM)的基础上将其与FRFCM算法相结合,提出新的特征逐减的可能性模糊C均值聚类算法(FRPFCM)。该算法解决了PFCM算法参数依赖的问题,且在迭代过程中可自动淘汰无效特征项并更新各特征项对聚类的贡献程度。对人工数据集以及UCI数据集进行测试的结果表明,提出的FRPFCM算法可得到更高的聚类准确率,所需迭代次数更少,算法收敛速度更快。

基于样本-特征加权的可能性模糊核聚类算法

经典的模糊C-均值聚类算法存在对噪声数据较为敏感、未考虑样本属性特征间的不平衡性及对高维数据聚类不理想等问题,而可能性聚类算法虽然解决了噪声敏感和一致性聚类问题,但算法假定每个样本对聚类的贡献程度一样。针对以上问题,提出了一种基于样本-特征加权的可能性模糊核聚类算法,将可能性聚类应用到模糊聚类中以提高其对噪声或例外点的抗干扰能力;同时,根据不同类的具体特性动态计算样本各个属性特征对不同类别的重要性权值及各个样本对聚类的重要性权值,并优化选取核参数,不断修正核函数把原始空间中非线性可分的数据集映射到高维空间中的可分数据集。实验结果表明,基于样本-特征加权模糊聚类算法能够减少噪声数据和例外点的影响,比传统的聚类算法具有更好的聚类准确率。

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.

利用可能模糊聚类的鲁棒目标跟踪方法

为了提高噪声情况下目标跟踪的准确度,提出一种基于直觉可能性模糊C均值聚类算法。首先,引入可能性模糊C聚类算法对含有噪声的目标进行聚类,得到分别以目标和观测为聚类中心的隶属度矩阵。其次,结合直觉模糊集得到直觉可能性模糊隶属度矩阵,对得到的隶属度矩阵根据最大隶属度原则求出目标和观测的正确关联对。最后,应用Kalman滤波更新目标轨迹,实现噪声情况下的目标跟踪。实验结果表明,在噪声环境下,改进算法目标跟踪的准确度和鲁棒性较好。

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。

智能电网电量异常数据的识别和修复研究

为了提升智能电网电量数据质量、保证电网安全运行,对智能电网电量异常数据的识别和修复进行了研究。创新性地采用粒子群优化(PSO)算法优化可能性模糊C均值(PFCM)聚类算法,组成PSO-PFCM算法。通过指标函数确定最优聚类数目和最优聚类中心、聚类电量特征曲线,结合各类别电量曲线特征识别异常电量数据。建立径向基函数(RBF)神经网络修复模型,输入识别到的异常电量样本数据。经归一化预处理、神经网络训练后,用输出结果替换异常电量值,以实现异常电量数据的修复。试验结果表明:该算法的异常电量数据检测率高于0.82、误检率低于0.06,修复后电量值更接近实际值,异常修复相对误差低于20%。以上数据证明所提算法可智能识别和修复异常电量数据,保证电网安全运行。

一种鲁棒非平衡极速学习机算法

极速学习机(ELM)算法只对平衡数据集分类较好,对于非平衡数据集,它通常偏向多数样本类,对于少数样本类性能较低。针对这一问题,提出了一种处理不平衡数据集分类的ELM模型(ELM-CIL),该模型按照代价敏感学习的原则为少数类样本赋予较大的惩罚系数,并引入模糊隶属度值减小了外围噪声点的影响。实验表明,提出的方法不仅对提高不平衡数据集中少数类的分类精度效果较明显,而且提高了对噪声的鲁棒性。