改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的 RBF (Radial Basis Functions,径向基函数 )神经网络最近邻聚类学习算法 ,并将其应用于股市预测问题。模拟结果表明 ,改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法 ,可以较大幅度提高 RBF神经网络的预测性能。

基于共享最近邻聚类和模糊集理论的分类器

提出一种基于共享最近邻聚类和模糊集理论的分类器.首先,在提出与核点密切相关的核半径概念的基础上,应用共享最近邻聚类得到正常类空间的部分核点和核半径,建立求解正常类空间补充核点的多目标优化模型,从而获得刻画正常类空间的全部核点和核半径.然后,将模糊集理论引入正常类的类属划分中,利用核点和核半径定义正常类的隶属度函数,建立基于隶属度函数的分类函数或分类器.实验表明,该分类器能处理包含噪音、孤立点和不规则子类的高维数据集的分类问题.

一种新的最近邻聚类算法

在分析现有最近邻聚类算法所存在问题的基础上,提出了一种先利用均值规格化的思想来确定算法的初始半径,然后根据启发式规则修改聚类半径的新的最近邻聚类算法.同时,给出了聚类有效性函数对得到的聚类结果进行合理性判断.

基于最近邻聚类支持向量机辨识的的电弧炉电极逆控制

基于核函数的支持向量机(support-vector-machines,SVM)与三层神经网络等价关系,构造基于SVM的多变量阶时延逆系统实现对原系统的伪线性化解耦,提出最近邻聚类的SVM模型辨识算法,设计了一种带前馈的参数自适应PD调节器和SVM逆控制相结合的控制策略.通过对典型的MIMO离散非线性可逆系统和电弧炉电极系统的仿真研究,表明该控制策略对于数学模型未知的不确定系统,只需要一定量的输入输出数据作为样本学习,就可实现对系统逆模型的高精度逼近,控制系统具有良好的动态响应和跟踪精度.当模型严重不确定、参数摄动、有外界干扰时,系统具有很好的抗干扰能力和鲁棒性.

一种改进的最近邻聚类学习算法

提出了一种自适应模糊逻辑系统 (AFLS)的改进自适应学习算法 ,该算法将无导师学习算法与基于梯度信息的寻优学习算法相结和 。

动态最近邻聚类算法的优化研究

针对最近邻聚类算法对聚类半径敏感、不易获得最优解的问题,提出了基于贝叶斯信息测度BIC(Bayesianinformationcriterion)的优化方法。通过DBSCAN算法对初始数据集进行预处理,去除噪声数据。在参数空间内逐步调整聚类半径,利用最近邻聚类算法对数据集进行聚类,并计算每次聚类结果的贝叶斯信息测度值。比较各次聚类结果的贝叶斯信息测度值,最大贝叶斯信息测度值对应的聚类即为最优聚类结果。实验结果表明,优化的最近邻聚类算法很好地解决了合适的聚类半径选取问题。

基于模糊最近邻聚类学习算法的海水藻类繁殖状态预测

为了预报海洋赤潮等灾害的发生,需要监测海水中藻类的繁殖状况.通过建立针对海水中叶绿素a浓度状态的预测模型间接预测海水中藻类的繁殖生长状况.运用基于数据的模糊最近邻聚类学习算法对采样数据进行聚类处理,基于最优模糊逻辑系统建立了针对海水叶绿素a浓度状态的预测模型.根据采样数据的特点和降低模型阶次的实际需求,设计了改进的模糊最近邻聚类学习算法,并应用于叶绿素a浓度状态的预测.实验结果表明,该方法可有效提取样本数据的特征,降低数据维数,提高算法学习的收敛速度.改进的模糊最近邻聚类学习算法降低了预测模型构造的复杂度,使模型具有较好的泛化性能,能够有效预测海水中藻类的繁殖生长状况.

基于遗传进化的最近邻聚类算法及其应用

提出了基于遗传进化的最近邻聚类算法 ,该算法结合了遗传算法 (GA)与最近邻聚类算法(NN)。对要进行分类的样本和特征量进行优化选取 ,去除位于类交界的模糊样本 ,并对样本分类有效的特征量进行放大 ,对不利于样本分类的特征量进行抑制 ,从而提高了样本分类的精度。将该算法应用于抽水蓄能发电机组的工况分类 ,大大提高了机组工况的识别效果 。

改进的共享最近邻聚类算法

聚类是一种无监督的机器学习方法,其任务是发现数据中的自然簇。共享最近邻聚类算法(SNN)在处理大小不同、形状不同以及密度不同的数据集上具有很好的聚类效果,但该算法还存在以下不足:(1)时间复杂度为O(n2),不适合处理大规模数据集;(2)没有明确给出参数阈值的简单指导性操作方法;(3)只能处理数值型属性数据集。对共享最近邻算法进行改进,使其能够处理混合属性数据集,并给出参数阈值的简单选择方法,改进后算法运行时间与数据集大小成近似线性关系,适用于大规模高维数据集。在真实数据集和人造数据集上的实验结果表明,提出的改进算法是有效可行的。

新的基于最近邻聚类的属性离散化算法

连续属性离散化是知识发现研究中重要的预处理过程,基于最近邻聚类和粗集的相关理论,提出一种新的有监督的多属性离散化方法。该算法分两个阶段来处理,首先利用最近邻聚类动态调整聚类的类别数,生成初始聚类。然后基于类信息的相似性定义合并相似区间,减少了聚类区间。通过实例分析,该算法是非常有效的。

基于AIC准则的最近邻聚类模型的优化算法

聚类分析方法的困难在于聚类模型的类中心和类别数的确定。首先给出了最近邻聚类规则,并根据该规则建立了确定聚类模型的分类方法;其次针对不同的聚类模型提出了优化判别准则———AIC准则,为解决所聚类的紧凑性与类别数增加的矛盾给出了理论分析。通过实例仿真,验证了本方法的实用性和正确性。

基于最近邻聚类的人群计数样本标注方法

现有的人群计数方法需要大量的标记样本训练计数模型。在实际应用中,针对人工标注成本高、效率低的问题,提出一种新的人群计数样本自动标注方法,以获取充足的训练样本。考虑到含有相同或相近人数的视频图像在特征空间中距离相近的特性,利用最近邻聚类将特征空间中距离相近的视频图像划分为同一类,通过主动采样策略,从每类样本中选择少量具有多样性和代表性的重点样本进行人数标注。最后将标注样本的人数标签传播给每一类样本中剩余的无标记样本,实现样本的快速标注。结果表明:给出的标注方法可有效解决人群计数任务中样本的标注问题,仅使用其他人群计数方法30%的标记样本即可达到较好的预测精度;此外,与真值标签训练计数模型相比,使用该标注方法获取的标签训练计数模型可获取一致的预测结果。

基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型

在预估光伏-制氢系统运行备用容量需求时,受光伏-制氢系统运行数据不确定性的影响,预估结果的误差偏大,为此,提出基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型。引入最近邻聚类中的不确定自然最近邻机制,以近邻数数量为基础,按稠密点、稀疏点、噪声点的分类标准,将数据集中的不确定光伏-制氢系统运行数据对象进行划分处理;在使用不确定自然邻域搜索算法获取到不确定的自然稳定状态输出结果后,根据特征值的差异性去除噪声点,借助不确定自然邻域密度因子对光伏-制氢系统运行数据进行聚类;在预估模型构建阶段,将径向对称的高斯径向基函数(radial basis function, RBF)作为核函数,并将所有的RBF输出结果映射到同一个空间中,得到光伏-制氢系统运行备用容量需求结果。测试结果表明,所提方法对最大备用容量需求预估结果的偏差始终稳定在250 MW以内,对最小备用容量需求预估结果的偏差始终稳定在150 MW以内,有效降低了能量管理的成本开销。

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机(LSSVM)逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆控制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法。利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络。并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数。仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性。

一种基于动态最近邻聚类算法RBF网络非线性系统复合控制器设计

针对RBF网络的设计难点,提出一种动态确定隐层节点数和聚类中心的新方法。并基于逆动力学的思想,提出一种RBF网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF网络结构和动态最近邻聚类算法,实现了对系统逆动力学的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性系统,从而使非线性对象的控制问题简化成线性对象的问题。仿真结果证明了该控制策略具有良好的动态跟踪性能和抗干扰能力,具有较强的鲁棒性。

相互最近邻聚类应用于轮廓提取算法

传统的神经网络算法用于轮廓提取时,存在计算量大,需预设参数多等问题。现提出了一种基于相互最近邻聚类结合神经网络的方法,克服了传统K均值聚类时需要预设类数的缺点。该算法通过角点检测器获取图像特征点;然后,通过特征点的相互最近邻聚类建立一组基函数,把图像像素点的像素值和梯度作为输入向量,利用网络的预测功能来表示物体轮廓曲线方程。

一种动态自适应最近邻聚类学习算法在工业污水处理中的应用

为了建立工业污水pH值中和系统的正模型,研究了具有大滞后非线性特性的加药中和过程。利用一种动态自适应最近邻聚类(DANNC)学习算法,全面调整网络参数完成了污水pH值加药中和控制系统网络的学习和训练。采用中和过程神经网络内模控制系统的逆模型充当控制器,进行了各种工业条件下污水中和的仿真实验。结果表明,该系统实现了△pH≤0.2的工业污水的控制精度目标,系统实时跟踪和抗干扰性良好。

基于改进的神经网络最近邻聚类算法在结晶器液位系统中的应用

针对连铸机的结晶液位采用拉速控制导致控制过程不稳定而影响铸坯质量的问题,提出了基于神经网络的模型辨识及智能PID控制方法,它主要基于径向基函数(即RBF)神经网络,通过改进的最近邻聚类学习算法在线辨识相关的结晶器系统模型。基于径向基函数辨识网络,将辨识所得雅克比阵应用到智能PID控制器的权值调整之中。结果表明,该算法可对结晶器液位控制方面的主要问题进行良好的解决,其适用性已经得到了仿真结果的充分验证。

模糊逻辑系统的最近邻聚类学习算法

文章先提出了一种最优模糊逻辑系统 ,它能使样本中所有的输入—输出数据对都拟合到任意给定的精度 (在此意义上的最优 ) ;然后将这种最优模糊逻辑系统推广到大样本问题 ,为此 ,将样本数据用最近邻聚类算法进行分组 ,将每一组数据 (一个聚类 )视为一个数据对 ,用最优模糊逻辑系统来进行拟合。还给出了学习算法并进行了仿真实验 。