基于优化模糊C-means算法的不平衡大数据分类研究

针对不平衡大数据的分类问题,提出一种优化模糊C-means算法的不平衡大数据分类算法。先计算C-means模糊交叉算子,定义优化函数,并求解大数据不平衡增益。利用Spark分类平台,确定大数据样本压缩模糊近邻值的取值范围,再通过放大近邻值的处理方式,定义不平衡阈向量,从而完善整个分类流程,完成基于优化模糊C-means算法的不平衡大数据分类方法的设计。实验结果表明,上述分类方法的应用,可将正例信息、负例信息的取样长度区间完全分离开来,能有效解决因不平衡大数据分类不精准造成的信息样本混淆的问题,符合实际应用需求。

基于模糊c-means算法的空间数据分类和预测

空间分类和预测是空间数据挖掘中一个非常重要的方法,但对它们的研究目前尚处于初始阶段.通过引入空间对象对模糊聚类的模糊隶属度的概念,提出了基于模糊c-means算法的空间数据分类和预测的方法(SFCM).该方法首先用模糊c-means方法对数据集论域空间进行聚类,但由于空间数据具有空间自相关的特性,在用模糊c-means算法进行空间聚类时加入了空间信息.然后计算每个空间对象对所有聚类的模糊隶属度并从中找出模糊隶属度最大的聚类.最后用该聚类中心对象的因变量的值作为该空间对象的因变量的估计值.理论分析和实验结果表明,该算法是有效可行的.

基于模糊C-means的多视角聚类算法

目前多数多视角聚类算法属于"刚性"划分算法,不适用于处理具有聚簇重叠结构的数据集,为此,提出一种基于模糊C-means的多视角聚类算法(简称FCM-MVC),该算法利用隶属度描述对象与类别的关系,能够更真实地描述具有聚簇重叠结构数据集的聚类结果。FCM-MVC算法同时利用多个视角信息,自动计算每个视角的权重。研究结果表明:FCM-MVC算法能够有效处理具有聚簇重叠结构的数据集;与已有的3种经典的多视角聚类算法相比,该算法获得的聚类精度更高。

基于模糊C-means聚类的地球化学数据分析

采用数据挖掘技术中模糊C-means聚类算法,以地球化学元素为数据对象、样品分析结果为属性值,对某已知金矿区和锡矿区岩石样品的元素组合特征进行了分析。聚类分析得出的元素组合关系与已知地质资料相一致,表明模糊C-means聚类算法能够客观、有效地发现地球化学元素的组合特征。同时,对位于内蒙古地区某多金属成矿带的地球化学采样数据进行了分析,根据聚类结果推断该地区是寻找金、银多金属矿产资源的目标区域。

基于Hadoop二阶段并行模糊c-Means聚类算法

针对Mapreduce机制下算法通信时间占用比过高,实际应用价值受限的情况,提出基于Hadoop二阶段并行c-Means聚类算法用来解决超大数据的分类问题。首先,改进Mapreduce机制下的MPI通信管理方法,采用成员管理协议方式实现成员管理与Mapreduce降低操作的同步化;其次,实行典型个体组降低操作代替全局个体降低操作,并定义二阶段缓冲算法;最后,通过第一阶段的缓冲进一步降低第二阶段Mapreduce操作的数据量,尽可能降低大数据带来的对算法负面影响。在此基础上,利用人造大数据测试集和KDD CUP 99入侵测试集进行仿真,实验结果表明,该算法既能保证聚类精度要求又可有效加快算法运行效率。

半监督平衡化模糊C-means聚类

传统模糊C-means聚类(FCM,fuzzy C-means)在处理非平衡数据集时,由于相异类中所含样本数量差异较大,导致类间权值不平衡和"均匀效应",从而易产生聚类错误.另外,FCM属于无监督方法,无法更好地利用已知的部分类标记信息引导聚类.为解决这两方面问题,提出一种半监督的平衡化模糊C-means聚类(SBFCM,semi-supervised balanced fuzzy C-means)方法.SBFCM在FCM目标函数的基础上加入了对聚类模糊隶属度矩阵的近似正交约束和半监督约束,从而得到了新的聚类目标函数.实验结果表明,相比于FCM,SBFCM能有效缓解由"均匀效应"导致的聚类错误现象,并能有效地利用部分先验类标记信息,从而可获得更好的聚类效果.

基于方向性模糊C-means与K-means的混合矩阵估计方法

在信源数目未知的欠定盲源分离问题中,精确地估计混合矩阵是具有挑战性的问题。针对现有方法在病态条件下(某些混合向量的方向接近)不能准确估计信源数目、易受离群点干扰的不足,提出了一种基于方向性模糊C-means与K-means的混合矩阵估计方法。该方法首先通过方向性模糊C-means对观测信号进行预聚类,通过预聚类可以实现:1)根据聚类有效性指标值的收敛点确定信源数目;2)根据隶属度矩阵排除离群点;3)确定K-means的初始聚类点。最后使用K-means并利用预聚类确定的信源数目及初始聚类点实现混合矩阵估计。仿真结果表明提出的方法具有更优的混合矩阵估计性能。

基于模糊C-means聚类的数控机床热误差补偿控制

数控机床在受热条件下产生热误差,降低了数控机床的稳定性。因此,提出基于模糊C-means聚类的数控机床热误差补偿控制方法,构建数控机床的输出工况信息采集模型,利用热力学传感器采集数控机床热动力学参数,对热误差相关性约束参数进行自整定控制,采用模糊C均值聚类方法实现对数控机床热误差约束参数的特征聚类处理。通过提取数控机床热误差补偿的高雷诺数信息分量,在不同的驱动响应控制模型下采用误差反馈补偿方法,实现对数控机床的气动扰动和流场分析,根据模糊C-means聚类结果,实现对数控机床热误差补偿控制。仿真结果表明,采用该方法进行数控机床热误差补偿的输出稳定性较好,误差补偿能力较强,提高了数控机床的加工精准度水平。

基于2型模糊集的粗糙模糊C-means算法

聚类算法在图像处理、模式识别等领域有广泛应用,粗糙模糊C-means算法是近年来研究较多的聚类算法。在面对聚类结构不同的样本时,传统的粗糙模糊C-means算法存在聚类簇心偏向性和隶属度选取的问题,使聚类结果不理想。提出一种基于②型模糊集的粗糙模糊C-means算法,算法采用②型模糊集理论,计算样本的次隶属度,从而描述样本的深层信息,根据样本最大隶属度和次大隶属度之间的差别,将样本划分到类簇的上下近似集中,根据上下近似集的权重,迭代并重新计算簇心,直到达到设定阈值或者满足算法终止条件。将改进的粗糙模糊C-means算法在人工数据集和UCI数据集上进行实验对比,结果表明改进的粗糙模糊C-means算法具有良好的性能。

模糊C-Means算法从实例库中挖掘模式识别知识

以模糊c-means算法对实例初步分类,以分类正确率和隶属度构造两级目标函数对实例进行挖掘获得个体分类效果最佳的敏感信息源、主矢量、类别原型和距离计算方法。以模糊综合决策算法对实例敏感主矢量进一步挖掘获得信息融合分类效果最佳的主矢量集合。同时从实例库中挖掘出模糊综合决策权重分配系数。将c-means算法的意义扩展应用于信息融合诊断。另外还论述了两种综合诊断方法,模式识别与模糊综合决策联合的综合诊断、扩展的模糊c-means算法与综合决策联合的二级优化综合诊断。最后以列车滚动轴承故障实例库的挖掘为例阐述了原理的应用。

雷达数据关联中动态加权模糊C-均值聚类算法研究

针对雷达本身及测量的运动目标淹没在大量的杂波中而导致所测数据的不准确问题,文中对雷达测量的大量目标数据进行卡尔曼滤波,以减少数据关联时的计算冗余量;并对模糊C-均值(C-Means)聚类算法进行改进,改进后的算法利用实时目标航迹斜率的变化率对传统的模糊C-Means聚类算法进行动态加权,从而使模糊C-Means聚类算法的目标函数最优化,优化后的目标函数确定的聚类中心更加逼近目标的实际值,从而保证数据关联的准确度,并减少了计算时间,提高算法的效率。仿真实验表明,将文中基于目标航迹斜率变化率动态加权的模糊C-Means聚类算法应用于曲线运动目标的数据关联中,与传统的模糊C-Means聚类算法相比,可以提高数据关联准确度和效率。

基于模糊蚁群的加权蛋白质复合物识别算法

针对蚁群融合FCM聚类算法在蛋白质相互作用网络中进行复合物识别的准确率不高、召回率较低以及时间性能不佳等问题进行了研究,提出一种基于模糊蚁群的加权蛋白质复合物识别算法FAC-PC(algorithm for identifying weighted protein complexes based on fuzzy ant colony clustering)。首先,融合边聚集系数与基因共表达的皮尔森相关系数构建加权网络;其次提出EPS(essential protein selection)度量公式来选取关键蛋白质,遍历关键蛋白质的邻居节点,设计蛋白质适应度PFC(protein fitness calculation)来获取关键组蛋白质,利用关键组蛋白质替换种子节点进行蚁群聚类,克服蚁群算法中因大量拾起放下和重复合并过滤操作而导致准确率较低和收敛速度过慢的缺陷;接着设计SI(similarity improvement)度量优化拾起放下概率来对节点进行蚁群聚类进而获得聚类数目;最后将关键蛋白质和通过蚁群聚类得到的聚类数目初始化FCM算法,设计隶属度更新策略来优化隶属度的更新,同时提出兼顾类内距和类间距的FCM迭代目标函数,最终利用改进的FCM完成复合物的识别。将FAC-PC算法应用在DIP数据上进行复合物的识别,实验结果表明FAC-PC算法的准确率和召回率较高,能够较准确地识别蛋白质复合物。

1种鲁棒的模糊聚类方法

模糊C-means聚类(fuzzy C-means,FCM)未考虑噪音和野值点对聚类的影响,故FCM是欠鲁棒的.为了增强鲁棒性,将FCM中的光滑距离度量改变为非光滑距离度量.由此提出了1种鲁棒的模糊聚类方法(robust FCM,RFCM).为了求解RFCM对应的非光滑优化问题,采用了(majorization-minimization,MM)框架.通过在多个数据集上的实验,将RFCM与传统FCM算法进行对比,表明RFCM比FCM具有更好的聚类效果.

基于模糊核c-means算法的位置指纹聚类

提出一种针对位置指纹的模糊核c-means聚类算法.将位置指纹归结为一种服从正态分布的区间值数据以反映接入点信号强度采样值的不确定性,通过区间中值和大小确定的正态分布函数将位置指纹映射为特征空间中的一点,并在该特征空间中采用基于核方法的模糊c-means算法对其进行聚类.通过ZigBee定位实验表明,该方法对于位置指纹的分类效果明显好于基于信号强度平均值的c-means聚类,可在保证定位精度的前提下有效降低定位的计算量.

基于直觉模糊对称交互熵C-means聚类的反导目标识别方法研究

在不确定信息反导目标识别的背景下,针对不确定信息处理和现有的基于欧几里得距离的模糊C-means聚类算法的性能问题,首先采用直觉模糊集对其进行描述与分析,同时,将聚类目标函数中的欧几里得距离替换为模糊对称交互熵距离,提出了一种基于直觉模糊对称交互熵C-means聚类(Intuitionistic fuzzy symmetric cross entropy C-means,IFSCECM)算法,通过采用IRIS数据集算例分析对比,证实该算法的可行性和有效性。其次,根据弹道目标识别的特性,将IFSCECM算法应用于反导目标识别中,并采用多特征综合识别方法对来袭弹道目标威胁群进行分类识别研究。最后,通过仿真实验和对比分析表明该反导目标识别方法的可行性、有效性和优越性,具有较高的应用价值。

一种基于混合神经网络的Web文档聚类算法

针对Web文档的特点,提出了一种多层向量空间模型,用来确定Web文档特征词的权重,然后给出了一种基于混合神经网络的文档聚类算法。实验结果表明,所提出的Web文档聚类算法具有较好的聚类特性,它能将与一个主题相关的Web文档较完全和准确地聚成一类。

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。

CSA-FFCM算法在玉米种子芽根长度自动化测定中的应用

面对实验室大量的种子实验,研究人员通常采用手工测量法定期对种子的芽根生长长度进行测量,但手工测量方法耗力,且易损伤幼苗,从而造成实验无法进行.为能有效、快捷、准确地掌握种子生长发芽情况,基于CSA-FFCM算法的种子芽根长度分析法,研究玉米种子芽根长度自动测量法.对玉米种子芽根图像进行二值化处理,通过CSA-FFCM算法对灰度图像聚类,得到自适应的分割阈值;在二值图像中识别出每粒玉米种子芽根轮廓区域,并对识别出的玉米种子芽根轮廓进行细化处理,自动统计玉米种子芽根长度.实验结果表明,该方法能够自动搜索分割阈值,且处理速度受图像分辨率影响较小、实时性高;自动测定的玉米芽根长度与PS手工测量长度相比,误差小于5%.此测定方法能为后期的自动化测量提供技术参考.

面向智能运维的离散制造过程知识获取方法

离散车间制造过程知识自动获取是基于制造知识实现车间智能运作维护的基础。从某企业数控车间运作维护需求出发,对车间制造业务流程进行重组优化;搭建基于车间智能终端的工序制造过程数据实时采集系统,实现多层次、多目标制造过程数据关联采集;建立基于模糊c-means聚类模型划分案例库以提高检索效率,建立互信息计算属性权重模型以提高检索准确性与合理性。本文结合企业车间实际,证明了该知识获取方法的有效性。

AFCM聚类和张量不变量用于磁源多目标定位

为了实现不同位置、磁矩和埋深的多个磁偶极子同步定位,提出通过自适应模糊c-means(Adaptive Fuzzy c-means Clustering,AFCM)聚类和张量不变量进行磁目标多源定位的方法。首先,在磁梯度张量系统的二维平面网格测量基础上,利用归一化磁源强度和张量缩并的不变量改进倾斜角对目标二维分布区域进行预识别。然后,利用张量衍生不变关系定位方法计算识别区域内各节点处的磁偶极子初始位置三维坐标,这些坐标将在磁源的真实位置空间周围形成稠密点云。最后,AFCM聚类算法将对这些初始位置解集点云进行三维聚类并自动检测簇质心数目,估计的簇质心数即为目标数量,簇质心即为目标位置坐标,张量矩阵和位置矢量可用于目标磁矩计算。仿真数据集表明,在5 nT/m方差的高斯噪声环境下,对20个磁偶极子目标数目估计精度为100%,水平位置估计精度大于91.7%,埋深估计精度大于85.6%;实测中,在2.1 m×2.1 m和1.2 m×1.2 m测区内对多个小型磁铁的坐标估计偏差小于0.091 m。