粗糙模糊C均值融合聚类

提出一种新的粗糙模糊C均值融合聚类算法,该算法通过粗糙集上、下近似的引入改变了模糊C均值算法中隶属度函数的分布情况,修正了类心的更新公式和模糊隶属度计算公式,降低了计算复杂度,在改变模糊隶属度分布的同时,通过使得每一类总的隶属度变化保持最小,进一步提出了边界调节参数的自适应选择算法,实验结果表明,粗糙模糊C均值融合算法具有较好的效果。

改进的粗糙模糊和模糊粗糙K-均值聚类算法

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,给出了改进的粗糙模糊K-均值聚类算法;设计了新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高了其训练速度和分类精度。

基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法

针对粗糙K-means聚类及其相关衍生算法需要提前人为给定聚类数目、随机选取初始类簇中心导致类簇交叉区域的数据划分准确率偏低等问题,文中提出基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法.在计算边界区域的数据对象归属于不同类簇的隶属程度时,综合考虑局部密度和距离的混合度量,并采用自适应调整类簇数目的策略,获得最佳聚类数目.选取数据对象稠密区域中距离最小的两个样本的中点作为初始类簇中心,将附近局部密度高于平均密度的对象划分至该簇后再选取剩余的初始类簇中心,使初始类簇中心的选取更合理.在人工数据集和UCI标准数据集上的实验表明,文中算法在处理类簇交叠严重的球簇状数据集时,具有自适应性,聚类精度较优.

图像信息驱动的抑制式粗糙模糊聚类分割算法

粗糙模糊聚类方法需要手动设置阈值确定粗糙聚类的上、下近似且对图像中的噪声较为敏感。为了减少人为干预,实现粗糙模糊聚类在图像分割中的深度应用,本文提出一种图像驱动的抑制式粗糙模糊聚类分割算法。方法中设计了基于超像素区域信息的自适应阈值策略,用于确定粗糙模糊聚类的上下近似,将图像空间信息引入到粗糙模糊聚类,构造了融合空间信息的粗糙模糊聚类目标函数,克服方法对于图像噪声的敏感性,此外,为进一步提升聚类性能,将模糊聚类中的抑制式学习思想引入到粗糙下近似集中像素的模糊隶属度的修正,实现了粗糙和模糊思想的深度融合。本文算法是更具混合智能机理的粗糙模糊聚类图像分割算法,实验结果表明了本文算法的有效性。

模糊聚类再回归方法在机场噪声时间序列预测中的应用

针对机场噪声的预测问题提出两种先模糊聚类再支持向量回归的时间序列预测方法.一种是模糊C均值聚类再回归,通过聚类将同簇样本限定在一定区域内,然后对同簇样本进行回归预测.另一种是基于阴影集的粗糙模糊C均值聚类再回归,通过聚类将簇划分为核心区和边界区,属于核心区的样本对簇的贡献比属于边界区的样本大,将样本限定在同簇同一区域的范围内,再对同簇相似样本进行回归预测.选用两个常用数据集和北京某机场实测数据进行实验.结果表明,基于模糊聚类的先聚类再回归方法比直接回归方法得到的拟合值更精确.

基于阴影集的粗糙聚类阈值选择

粗糙聚类思想自提出以来,在软划分聚类方面取得了广泛应用,但其阈值参数常主观确定,未能考虑数据集本身的特性。基于阴影集(Shadowed Sets)的优化理论给出了一种客观的阈值选择方法,并将其应用于粗糙模糊C均值聚类算法。人工数据与UCI数据实验结果表明了所提方法的有效性。

并行分布式的Web访问模式双层聚类

Web日志挖掘可以通过对用户访问模式进行分析,以获取用户的访问兴趣程度。目前,大多数的web日志挖掘是基于频率的,其挖掘的信息没有太大的价值。而提出的聚类技术是基于访问时间的,使用模糊向量表示用户浏览模式,记录用户是否浏览过该页面以及停留的时间。通过不同的聚类方法对用户的访问序列进行聚类分析。将模糊粗糙k-均值和夹角余弦相结合,提出了一种双层聚类技术,减少了对初始聚类中心的敏感性,并且通过一系列实验,论证了该聚类方法的可行性。而且,实验通过使用Davies-Bouldin指标来验证不同聚类方法的效果并进行比较。由于数据量大时,仍然存在算法效率低的问题,因此,使用MapReduce实现双层聚类的并行化,提高了聚类的效率。

基于WSRFCM聚类的局部离群点检测算法

针对局部离群度量计算量大的缺点,在LDOF算法的基础上,提出一种新颖的基于聚类的离群点检测算法WSRFCM-LDOF.该算法采用集成粗糙集和阴影集的簇特征加权模糊聚类(WSRFCM)技术作为减少计算量的方法;簇特征加权的聚类算法可以有效处理分布不均匀的簇划分,在此基础上应用粗糙集和阴影集,使得簇特征加权模糊聚类算法可以有效划分交叠的簇,尤其对噪声和异常数据的处理具有高效性.实验表明,所提算法在降低时间复杂度的同时,提高了检测精度.

基于混合蛙跳与阴影集优化的粗糙模糊聚类算法

针对粗糙模糊聚类算法对初值敏感、易陷入局部最优和聚类性能依赖阈值选择等问题,提出一种混合蛙跳与阴影集优化的粗糙模糊聚类算法(SFLA-SRFCM).通过设置自适应调节因子,以增加混合蛙跳算法的局部搜索能力;利用类簇上、下近似集的模糊类内紧密度和模糊类间分离度构造新的适应度函数;采用阴影集自适应获取类簇阈值.实验结果表明,SFLA-SRFCM算法是有效的,并且具有更好的聚类精度和有效性指标.

基于类簇规模不均衡度量的粗糙模糊K-means聚类算法

粗糙模糊K-means (RFKM)聚类综合利用了粗糙集和模糊集的优势互补,是一种有效的聚类分析算法,但现有的RFKM算法大多只考虑了簇内样本空间分布的模糊度量,忽略了类簇规模的不均衡特征对聚类结果的影响,对类簇规模不均衡的数据集进行聚类分析时,适应性较差.为了能够从算法层面直接对类簇规模不均衡的数据集有效地进行聚类分析,引入了对类簇规模不均衡程度的自适应度量,并提出了一种基于类簇规模不均衡度量的粗糙模糊K-means聚类算法.通过人工数据集和UCI标准数据集验证了算法的有效性.

基于DAE和改进RFKM的负荷数据精准特征提取与标签定义

针对目前配电网用户负荷数据高维度时序数据特征提取难、交叉数据聚类处理难、负荷数据精准标签化难等问题,文章提出面向用户负荷数据的基于降噪自编码器和改进粗糙模糊K均值的特征提取与标签定义模型(feature extraction and label definition model based on DAE and improve RFKM,FLMbD-iR)。FLMbD-iR通过降噪自编码器对原始用户负荷数据进行深度特征提取后,利用基于类簇规模不均衡度量的粗糙模糊K均值进行聚类,处理聚类中簇间交叉数据存在误差的缺陷,最后构建描述指标对典型日负荷曲线进行标签定义。实验采用美国电力负荷数据进行仿真模拟,实验结果显示本方法在用户负荷数据聚类处理上效果显著。

上海气温变化过程遍历特征分析

利用有限长度的气温序列变化资料估计其无限长时序的气温过程的统计特征,对于中长期气象预报以及全球的气候变化都是十分有意义的基础工作,所以对气温过程开展遍历性(各态历经性)分析是一个值得探索的课题.为此,基于模糊粗糙聚类(fuzzy-rough C-means clustering method,FRCM)、自相关趋势图、ADF(advanced Dickey and Fuller)检验以及模糊最小二乘回归提出一种具有普适性特点的遍历性分析方法,并以上海1873—1997年的气温序列为例,进行了具体的计算和分析.结果表明:上海7月份、8月份的最高气温和最低气温变化是均值遍历和协方差遍历的,因此其气温变化过程具有遍历特征.从长时间尺度来看,上海7月份、8月份最高气温和最低气温总体上不会长期呈上升趋势,它们的变化会围绕其均值波动.最后,对上述结论做了印证性分析,对上海气温变化过程进行了挖掘性分析,从遍历性的角度佐证了前人的一些研究成果.

基于计算机视觉的图像分割新方法

针对杂波背景条件下图像分割精度较差的问题,提出了一种基于粗糙集模糊概率C均值聚类的Otsu目标图像分割方法.首先,在均值聚类的框架内分析了传统Otsu方法受样本方差影响较大的缺陷;然后,在模糊集理论的框架内引入粗糙集处理方法,通过对不精确数据的有效处理,克服背景方差效应,提升了图像分割的精度.实验结果表明,该方法较传统Otsu方法具有更高的分割精度和抗背景噪声干扰能力.

基于FRCM和FLAR的水文过程遍历特征分析模型及其应用

提出利用模糊粗糙聚类(FRCM)、自相关趋势图和模糊最小一乘回归(FLAR)对水文过程的遍历性特征进行研究,以上海54年(1951～2004)的降水为例,进行了具体的计算和分析,并利用离差系数作了印证性分析.结果表明:上海4～6和9月具有过程遍历性特征,所以,从长时间尺度来看,上海4～6和9月的降水量总体上不会呈长期下降趋势,在某个时期都会向该月份的降水均值回归.