基于模糊密度峰聚类和PSO的WSN能量均衡算法

针对无线传感器网络的节点能量受限以及能量利用率低等问题,设计一种基于模糊密度峰聚类和粒子群优化的能量均衡路由算法。算法主要针对成簇阶段和数据传输阶段进行优化。在成簇阶段,采用模糊密度峰值聚类算法选取首轮簇头并将节点聚类。在传输阶段,将传输路径选择转换为旅行商问题,通过粒子群优化算法建立基站与各簇头节点之间数据传输的最优路径。将此算法与EE-LEACH和PSO-K-MEANS算法进行比较,仿真结果表明,所提算法提高了网络的使用寿命和能源效率,生存周期与其它两种算法相比,分别提高了18.4%和15.9%。

基于模糊密度分解的遥感图像光谱和纹理信息的融合

根据遥感图像的纹理特征具有不确定性和各类别的分类精度有较大差异的特点 ,针对常用的表示分类器置信度的模糊密度 ,在信息融合过程中 ,存在削弱低置信度分类器中高精度类别对融合结果起作用的问题 ,提出了一种对模糊密度进行分解的模糊积分方法 ,分解后的模糊密度表示分类器中各类别的置信度 ,从而突出了分类器中类别的分类精度对系统最终决策的重要程度 .

模糊密度随机变量的数学描述

研究了由于概率密度函数的模糊性而引起的模糊概率随机变量问题· 给出了区间密度函数、模糊密度函数、模糊密度随机变量及其分布函数和模糊密度随机变量的模糊数学期望、模糊方差等基本概念及定义和计算方法 ,并证明了有关定理·

动态模糊密度的多分类器融合算法

在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.

两种模糊密度确定方法的实验比较

信息融合方法是减少决策不确定性的有效途径和热点问题.本文研究模糊积分信息融合方法中的重要问题-模糊密度的确定方法,对其中两种典型的确定方法进行了细致的比较研究.基于公开而有效的13个UCI标准数据集,进行了成员分类器选择实验、不同融合方法比较实验等,并采用了描述分析、秩次分析、探测性显著性分析,最后与文献[4]中最优单分类器、文献[5]中Bagging,Boosting and random forests的最优融合结果进行了对比.结果显示,基于可能度的模糊积分方法优于基于可信度的模糊积分方法、优于文献[5]中最优融合结果;基于可信度的模糊积分方法与文献[5]中最优融合结果总体相当,优于简单平均融合方法,也优于文献[4]中最优单分类器.

基于对象模糊密度赋值的决策层融合算法

针对模糊积分在进行决策层融合识别时,其模糊密度是根据已知类别样本的先验静态信息赋值的,并不能根据具体对象的识别结果进行动态调整使之更接近现实的情形,提出了一种基于对象模糊密度赋值的决策层融合算法。该算法利用各分类器识别具体对象时给出的客观信息计算出其所属类别的区分度,再结合先验静态信息对模糊密度进行动态赋值。将该算法应用于人脸表情识别,实验结果表明,获得了较好的融合效果,提高了表情识别的准确率。

基于模糊密度K-medoids聚类和NSGA-Ⅱ算法的绿色分时电价优化研究

立足可再生能源配额制研究背景,将分时电价与绿色证书机制相结合,提出一种包含分时电力交易和绿色证书交易的绿色分时电价机制。深入分析了绿色分时电价机制下用户需求响应,构建了基于模糊密度Kmedoids聚类的峰谷平阶段划分模型,以峰谷差为优化目标的基于NSGA-Ⅱ算法的绿色分时电价优化模型。优化结果显示,绿色分时电价能更好地调动起电力用户改变用电习惯的积极性,在削峰填谷的同时促进可再生能源的发展。

基于模糊密度峰值聚类的区域同位模式并行挖掘算法

区域同位模式挖掘(RCPM,regional co-location pattern mining)是为了发掘某个局部区域内存在的同位(co-location)模式,以发现在全局中无法发现的信息.传统的区域挖掘大多会采用明确界限的几何体框定同位模式产生的区域.但是现实中的各类区域可能是无明确边界的.另外,数据的分布情况作为区域的重要特征之一,也应该成为区域选择的因素.基于上述思考,本文引入密度峰值聚类(DPC,density peak-based clustering),提出新的密度度量函数,并结合模糊集理论与k近邻距离,设计了一个行之有效的并行区域同位模式挖掘算法.实验结果表明,利用本文方法挖掘到的结果更具有现实意义,并且并行化极大地提升了挖掘算法的效率.在真实数据上,2线程下的加速比达到了1.89.

基于可分度和支持度的模糊密度赋值融合识别算法

模糊积分理论可有效处理分类决策不确定性问题.当前模糊密度的确定方法未考虑各个分类器识别结果的可区分程度及各分类器对识别结果的支持程度,会丢失融合识别的相关信息.文中提出基于可分度和支持度的自适应模糊密度赋值融合识别算法.该算法根据各分类器对待识别样本的识别结果的可区分程度和支持程度对分类器的融合模糊密度进行自适应赋值,从而有效实现多分类器融合识别.将该算法应用于自然交互环境下的人脸表情识别和Cohn-Kanade表情识别.实验结果表明,该算法能有效提高总体表情识别率.

一种基于模糊密度动态调节的融合目标识别方法

针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.

一种改进的密度加权的模糊C聚类算法

模糊C均值聚类算法(FCM)是一种流行的聚类算法,在许多工程领域有着广泛的应用.密度加权的模糊C均值算法(Density Weighted FCM)是对传统FCM的一种改进,它可以很好的解决FCM对噪声敏感的问题.但是DWFCM与FCM都没有解决聚类结果很大程度上依赖初始聚类中心的选择好坏的问题.提出一种基于最近邻居节点对密度的FCM改进算法Improved-DWFCM,通过最近邻居节点估计节点密度的方法解决聚类结果对初始簇中心依赖的问题.仿真结果表明这种算法选择出来的初始聚类中心与最终结果的簇中心非常接近,大大提高了算法收敛的速度以及聚类的效果.

区间直觉模糊数密度加权算子及其决策应用

在多属性决策中,当属性值为区间值直觉模糊数时,考虑属性信息分布疏密程度,研究了区间值直觉模糊集数据聚类的问题,提出了新的算子——线性区间值直觉模糊数密度加权平均中间算子(IIFDWA)和积性区间值直觉模糊数密度加权平均中间算子(IIFDWGA),统称区间值直觉模糊密度加权算子.最后,将IIFDWA算子和WAA算子结合应用到多属性群决策问题中.

基于Choquet模糊积分SVM集成的企业信用评估模型

针对Bagging算法下基于模糊积分的SVM集成方法在企业信用评估应用中存在的不足,提出一种基于改进模糊密度-Choquet模糊积分SVM集成的企业信用评估模型。该模型借鉴Boosting算法“注重”错分样本的基本思想,考虑SVM基分类器的总体错分程度,重新定义SVM基分类器的模糊密度,实现对模糊密度的改进;在此基础上,采用Choquet模糊积分作为SVM基分类器的结合方法,从而将基于Choquet模糊积分的SVM集成方法引入到企业信用评估中。实证结果表明,与传统方法相比,该模型的预测准确率更高,第一类错误率和第二类错误率更低;精确率、召回率、F1值和Macro-F1值等分类性能指标也明显占优,说明了该模型的可行性和有效性。

分类器融合中模糊积分理论研究进展

将模糊积分理论与多分类器融合方法中其他两种研究热点方法进行了比较.介绍模糊积分的基本模型及通用求解过程.讨论目前分类器融合领域模糊积分理论的几个研究方向的发展现状和面临的问题,分析模糊积分理论基本模型和几种扩展模型的求解算法.提出了分类器融合领域模糊积分理论未来理论和应用研究中的开放课题.

基于模糊图的模糊社会网络定义及其性质分析

以模糊图的概念及其基本性质为基础,定义了模糊社会网络的基本概念,并探讨了其相关的一些基本性质。这些概念的定义及其相关分析,为进一步进行模糊社会网络分析提供了基本的理论依据。

确定多分类器融合中模糊测度的一种新方法

为了解决多分类器融合中确定模糊测度困难的问题,本文提出了一种简单实用的方法:先利用基于模糊一致矩阵的决策方法计算各分类器的主观模糊密度值,然后将其与作为客观模糊密度值的分类器识别率进行组合得到各分类器的综合模糊密度值,进而确定出相应的模糊测度值。

基于模糊积分的支持向量机动态集成方法

确定模糊密度是应用模糊积分进行融合的核心问题。分析了目前存在的各类模糊密度赋值方法存在的不足,在探索证据相互关系的基础上,提出了证据支持度的概念,并基于证据支持度给出了一种动态模糊密度赋值方法,分析了分类器之间的差异性对证据支持度的影响,引入了影响因子,进一步完善了证据支持度的内涵。实验表明,本文算法较之单支持向量机、基于投票的支持向量机、以基分类器精度作为模糊密度的静态模糊积分支持向量机集成以及一种基于自适应模糊密度赋值的模糊积分方法用于支持向量机集成,分类精度均得到提升。

用于卫星通信数字调制分类的一种新颖的支持向量机模糊网络

为了使调制分类系统更加适合大范围信噪比（SNR）内的信号，将支持向量机（SVM）和模糊积分（fuzzy integral）结合起来提出了一种新颖的支持向量机模糊网络（SVMFN）。SVMFN中采用了一种新的模糊密度定义，同时考虑了分类器的精确度和不确定性，提高了识别的可靠性。从信号中直接提取3个顽健性强且计算简单的特征值来识别11种数字调制方式（2ASK，4ASK，2FSK，4FSK，2PSK，4PSK，8PSK，16QAM，TFM，π／4QPSK和OQPSK）。计算机仿真结果表明这种方案具有高度的准确性和可靠性，在SNR不低于0dB时，识别率在95％以上，适于工程应用。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

基于小波系数模糊积分的图像融合算法研究

提出一种新的基于Choquet模糊积分的图像融合方法。首先利用小波系数的区域特征获取模糊积分的信度函数,其次根据局部窗口内的模糊边缘评价函数自适应地构造模糊密度,最后由Choquet模糊积分确定融合后的小波系数,从而得到融合图像。将此方法应用于微光与红外图像融合处理中,实验结果表明,Choquet模糊积分法可以使得最终的融合图像在空间细节信息的增强和光谱信息的保持两方面的综合性能得到提高。