基于模糊聚类与改进遗传算法的异常电力工程数据识别技术

针对传统人工核查电力工程异常数据存在耗时费力及准确度较低的问题,文中提出了一种基于模糊聚类与改进遗传算法的数据识别技术。该技术采用模糊聚类算法对数据进行自动归类,并对异常数据加以识别。同时还设计了一种改进遗传算法增强了数据的全局搜索能力,进而提升整体算法的识别效率。基于Matlab进行的仿真验证结果表明,所提技术方案可有效地自动识别出电力工程中的异常数据。而在结合改进遗传算法后,该算法的识别准确率得到了显著提升,且识别时间也缩短了60%以上,实现了数据搜索能力与效率的平衡。

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。

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值(FCM)聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。

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。

改进遗传算法优化模糊均值聚类中心的图像分割

针对传统模糊均值聚类算法存在的问题,提出一种改进遗传算法优化模糊均值聚类中心的图像分割算法.首先在标准遗传算法的交叉操作中引入方向因子,使参与交叉的个体向最佳个体靠近,加快算法的收敛速度,并通过增强群体间的信息共享机制提高算法的全局搜索能力,避免了早熟收敛,改善了全局解的精度;然后采用改进遗传算法选择模糊均值聚类算法的初始聚类中心,实现图像分割;最后采用仿真实验测试算法性能.实验结果表明,相对于传统模糊均值聚类算法及其他图像分割算法,本文算法在分割正确率、分割速度及鲁棒性上均更优.

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。

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。

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。

改进的模糊C-均值聚类算法

为了克服模糊C-均值(FCM)聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于改进量子蚁群的模糊聚类算法。将量子计算原理和蚁群算法相结合来改进FCM算法。初期采用量子遗传算法生成信息素分布,后期利用蚁群算法的全局搜索性、并行计算性等特点避免聚类陷入局部最优解。实验证明该算法保证了种群的多样性,有较好的全局收敛性,克服了模糊C-均值聚类算法的不足,能有效解决未成熟收敛的问题,使聚类问题最终快速、有效地收敛到全局最优解。

改进的模糊C-均值聚类算法研究

为解决模糊C-均值(FCM)聚类算法对噪声和孤立点数据敏感、样本分布不均衡的问题,提出了具体的改进和提高的方法:改进隶属度函数,以消除孤立点对聚类结果的影响;为每个样本点赋予一个定量的权值,以区分不同的样本点对于知识发现的不同作用,改善噪音和分布不均衡的样本集的聚类结果。实验结果表明该算法具有更好的健壮性和聚类效果。

基于减法聚类与改进的模糊C-均值聚类算法的说话人识别方法的研究

提出一种将减法聚类与改进的模糊C-均值聚类相结合并用于说话人识别的方法.该方法将从语音信号中提取的Mel频率倒谱系数及其差分作为特征参数;用减法聚类算法初始化聚类中心,再用改进的模糊C-均值聚类算法进行修正,形成码本.识别时,对每一个待识别语音进行模糊聚类识别.仿真结果表明,该方法比改进的模糊C-均值聚类算法识别率高,具有较好的鲁棒性,且计算比较简单.

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。

基于改进的遗传算法的模糊聚类算法

针对传统的模糊C均值聚类(fuzzy C-means clustering)算法容易陷入局部最优解,并且对初始值敏感的缺陷,提出一种基于改进的遗传算法的模糊聚类算法。该算法针对遗传算法的早熟问题提出一种改进的遗传算法,并将其应用于FCM算法,来寻找全局最优的聚类中心。实验表明,该算法与基于传统遗传算法的FCM算法相比,具有更强的寻优能力,更优的聚类效果。

改进的基于模糊C-均值聚类的图像分割算法

为了提高图像分割算法的抗噪声性能,提出了一种改进的基于模糊C-均值聚类的图像分割算法.该算法首先根据邻域像素的隶属度矩阵来计算出像素和聚类中心的空间距离,然后利用空间距离和欧氏距离来重新确定像素和聚类中心的距离,最后利用新提取的距离特征和改进的FCM聚类算法对图像进行分割.实验结果表明,该算法能有效地提取目标图像,对噪声具有较强的鲁棒性,收敛速度快.

模糊C-均值聚类图像分割算法的一种改进

针对传统模糊C-均值聚类算法对含噪图像分割时未充分考虑空间信息的问题,提出一种改进的模糊C-均值聚类算法,将图像的局部和非局部两种空间信息引入到模糊C-均值聚类算法的目标函数中,以使两种空间信息在含噪图像分割中发挥互补作用。将改进算法应用于不同含噪图像的分割实验,结果表明图像像素的均方误差均比改进前有所降低。

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。

模糊C-均值聚类算法的改进研究

模糊C-均值聚类算法通过迭代的爬山技术来寻找问题的最优解,是一种局部搜索算法,容易受初始值的影响而陷入局部极小值.遗传算法是一种应用广泛的全局优化算法,是一种与求解问题无关的算法模式,能够有效解决模糊C-均值聚类算法对初始化敏感的问题,利用改进后的遗传算法能更好地解决聚类问题.

一种改进的模糊C-均值聚类算法

由于现有模糊C-均值聚类算法固有的局限性,本文提出了一种改进的模糊C-均值聚类算法.首先用概率密度函数来确定初始聚类中心点和聚类数,其次用竞争学习思想提出使对手增加抑制因子来修改隶属度得到加快收敛速度的效果,最后提出用一个类内差异与类间差异兼备的新的有效性指标来作为迭代条件的目标函数.通过实验获取参数的最优取值范围,通过与经典模糊C-均值聚类算法的比较,证明了该改进算法不仅加快了收敛速度,而且在聚类结果的质量上有一定程度的提高.