最优聚类中心雷达目标一维距离像识别

提出了一种基于最优聚类中心的雷达目标一维距离像识别方法。该方法利用训练数据集建立最小平方距离准则下的最优变换矩阵 ,使用该变换矩阵可增大同类目标的特征聚合性 ,从而减少同类之间差异 ,同时 ,通过在子像空间选定一组最优聚类中心来增大异类目标特征的可分离性 ,加大异类之间差异 ,提高雷达目标识别率。仿真实验结果表明了该方法的有效性。

基于密度和最优聚类数的入侵检测方法

针对聚类算法在入侵检测应用中存在的参数预设、聚类有效性评价、未知攻击类型检测等问题,提出了一种基于密度和最优聚类数的改进算法,根据样本的分布情况启发式地确定初始聚类中心,从样本的几何结构角度提出一种新的内部评价指标,给出了最优聚类数确定方法,在此基础上,设计了一个增量式的入侵检测模型,实现了聚类中心和聚类数目的动态调整.实验结果表明,与K-means及其他两种改进聚类算法相比,新算法收敛速度更快、聚类准确率更高,能够对未知网络行为进行有效聚类,具有较好的入侵检测效果.

一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法

针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。

改进最优聚类中心雷达目标识别法

最优聚类中心法是一种有效的雷达目标一维距离像识别方法,但当训练数据较少时,该方法的识别性能急剧下降。其原因是该算法在利用少量数据进行训练时易产生“病态”矩阵,“病态”矩阵直接参与运算,导致错误识别结果。因此,该文提出了一种改进最优聚类中心法,主要思想是把“病态”矩阵进行“良态”化处理后再参与运算,以得到正确的识别结果,从而使该算法在训练数据较少时仍能保持较高识别率。仿真实验结果表明该方法的有效性。

潜在特征融合和最优聚类的高光谱图像降维

高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)。该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息。通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集。该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在OA、MA和Kappa系数3个指标上都优于其他算法。

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1)需要预先知道聚类的数量;2)对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。

采用最优模糊C均值聚类和改进化学反应算法的配电网络动态重构

针对配电网络动态重构中的开关操作次数约束难以处理的问题,提出采用最优模糊C均值聚类技术对时间区间的配电网络运行状态按其负荷的内在相似性进行聚类,将配电网络动态重构转换为以聚类中心表示负荷状态的多个静态重构问题。从提高寻优效率的角度,对化学反应算法进行了改进,提出了一个更适合求解配电网重构的改进的化学反应算法(improved CRO,ICRO),并将其应用于求解以聚类中心为代表的静态重构问题。每个时间点的优化网络结构由对应的聚类中心的重构结果决定,从而得到配电网络重构操作的时间点和需要操作的开关。以IEEE 33节点配电系统的负荷数据为基础,构建了1周的负荷数据并对IEEE 33节点系统进行了动态重构,验证了方法的有效性。

基于核最优变换与聚类中心的雷达目标识别

抽取有效鉴别特征是雷达一维高分辨距离像识别的关键.基于统计学习理论的核化原理,提出一种新的鉴别特征提取方法——核最优变换与聚类中心算法.该算法通过非线性变换,将数据映射到核空间,在核空间执行最优变换与聚类中心算法,能够提取一维距离像的稳健非线性鉴别特征.同时,基于训练样本在核空间所张成的子空间的一组基,给出一种快速计算方法,提高了特征提取速度.基于微波暗室实测数据的实验表明了该方法的有效性.

核最优变换与聚类中心的算法

基于核化原理,提出核最优变换与聚类中心算法.算法通过非线性变换,将数据映射到核空间,并在核空间中执行最优变换与聚类中心算法.该算法可提取稳健的非线性鉴别特征,解决复杂分布数据的模式分类问题.同时,基于训练样本在核空间所张成的子空间的一组基,提出一个快速提取鉴别特征的计算方法,解决了一般核方法面临的"大训练集"难题.基于IRIS,YEAST,GLASS等数据的分类实验验证了该方法的有效性.

中国区域技术创新能力:基于Mahalanobis距离的聚类优化实证研究

针对中国区域技术创新能力最新实证研究在聚类方法和结果方面的一些不足,基于样本间Mahalanobis距离,结合所研究问题的背景情况和统计理论,选择ward聚类方法实施聚类,基于聚类结构的稳定性和敏感性准则,通过观察Dendrogram图,得到聚类数量的可能取值区间,然后求解Pseudo-F最大值来确定最优聚类数量。

基于粒度空间的最优聚类指标研究

本文在粒度空间理论的基础上，进行了基于粒度空间的最优聚类模型研究．具体包含以下三个内容：首先提出了基于类内偏差和类间偏差获取数据分层结构的优化聚类指标，进一步建立最优聚类模型，证明了该模型解的存在性，并给出了相应的算法；其次将发生在1902～2015年间同时含有HA与NA蛋白的甲型HIN1流感病毒序列作为实验数据库，应用本文提出的优化模型和算法构建了流感病毒蛋白系统的第一级结构和第二级结构，基于距离中心最近原理建立了签名病毒选取的优化模型，挑选签名病毒蛋白，并构建H1N1流感病毒的核心进化树；最后基于距离中心最近原则构建分类器以验证本文方法的有效性．实验结果表明：应用本文方法处理甲型H1N1流感病毒可得到非常好的分类结果，且正确率达到93．25％．这些为基于大数据的信息处理提供一整套全新的处理方法．

基于最优变换和聚类中心的雷达目标成像识别

提出了一种基于最优变换和聚类中心的雷达目标成像识别方法。该方法利用一种最优变换减少同类之间差异以及通过在子像空间选定一组最优聚类中心来增大异类之间差异 ,提高雷达目标识别率。仿真实验结果表明了该方法的有效性。

基于核空间中最优变换和聚类中心的鉴别特征提取

应用统计学习理论中的核化原理,可以将许多线性特征提取算法推广至非线性特征提取算法.提出了基于核化原理的最优变换与聚类中心算法,即通过非线性变换,将数据映射到高维核空间,应用最优变换算法,实现原空间数据的非线性特征提取,而求解过程却借助"核函数",回避了复杂非线性变换的具体表达形式.新算法可提取稳健的非线性鉴别特征,从而解决复杂分布数据的模式分类问题.大量数值实验表明新算法比传统的最优变换与聚类中心算法更有效,甚至优于经典的核Fisher判别分析.

基于FCM的无监督最优模糊聚类算法

基于模糊c-均值算法的无监督最优模糊聚类算法集合了模糊c均值算法与无监督最优聚类算法的优点,它通过逐渐改变聚类数c,依据一些有效性衡量尺度,能无监督搜索出最优聚类数c。通过对距离测量尺度的改进,使聚类不受类形状的影响,以达到具备更高准确率的聚类效果。仿真实验结果表明,新算法不仅能准确找出聚类数,而且跟单纯的模糊c均值算法比,具有更好的聚类效果。

采用改进最优模糊C均值聚类和改进和声搜索算法的配电网动态重构

针对配电网络动态重构中的开关操作次数约束难以处理与和声搜索算法寻优效率低的问题,分别提出了改进的最优模糊C均值聚类法和改进的和声搜索算法,利用前者对研究时间区间的负荷进行聚类从而将配电网动态重构转为以聚类中心代表各分段负荷的多个静态重构子问题,利用后者对各静态重构问题进行求解。每个时间点的优化网络结构由相应的聚类中心的重构结果决定,由此得到配电网络重构的操作时间点和操作开关。在IEEE 33节点配电系统负荷数据的基础上构建1天的负荷数据并对该系统进行动态重构。研究结果表明,该方法能够控制开关操作次数,提高静态重构算法的寻优效率。

基于最优FCM聚类和最小二乘支持向量回归的短期电力负荷预测

提出了一种最优FCM聚类分析和最小二乘支持向量机回归算法(LSSVR)相结合的电力系统短期负荷预测方法。在考虑电力系统负荷日周期性的基础上,运用基于改进划分系数最大原则的最优FCM聚类分析获取历史负荷样本的最优数据模式划分,并根据输入样本相似度选取LSS-VR训练样本。既强化了训练样本的数据规律,又保证了数据特征的一致性,从而提高了LSSVR训练速度,改善了预测效果。仿真实验表明:LSSVR点模型的平均预测精度约98%,而本文模型的平均预测精度达到了98.7%,证明了该方法的有效性和实用性。

基于最优模糊聚类的模糊推理系统及其在产品质量估计中的应用

研究以输入空间模糊聚类为基础的模糊推理模型 ,通过模型结构奇异值分解与模糊统计信息准则相结合方法实现输入空间的最优模糊聚类 ,从而获得最优模糊推理模型 .

基于最优模糊聚类的地下水质评价

描述基于模糊图的最优模糊聚类的概念及步骤,利用某地区12个水点的地下潜水水质监测资料对基于模糊图的最优模糊聚类与模糊综合评判相结合的方法进行实证分析。分析结果表明,基于模糊图的最优模糊聚类法具有全面性和连续性的特点,能够客观地反映评价区域的地下水环境质量情况。

一类最优模糊聚类模型及其应用

基于模糊截集水平的最小偏差平方和,建立了一类最优模糊聚类的方法,利用该方法对学生的学习水平进行了分类。讨论了每一类学习水平的学生的主要共同特性。通过实例取得了好的效果。

基于相对隶属度的灰色聚类评估方法

文章将相对隶属度引入到灰色聚类评估中,对灰色最优聚类评估问题进行了研究。通过样本观测值与标准特征值的关联系数来反映评估对象与各类中心的相似程度,在此基础上,基于相对隶属度的概念,建立了一种优化的灰色聚类评估模型,构造拉格朗日函数解得相对隶属度,最后根据相对隶属度的大小对评估对象进行归类,从而将分类模糊隶属度信息有效融入灰色聚类评估过程中。最后通过实例验证了该模型的有效性与实用性。