一种建立粗糙数据模型的监督模糊聚类方法

提出了在输入-输出积空间中利用监督模糊聚类技术快速建立粗糙数据模型(rough data model,简称RDM)的一种方法.该方法将RDM模型的分类质量性能指标与具有良好特性的Gustafson-Kessel(G-K)聚类算法结合在一起,并通过引入数据对模糊类的推定隶属度的概念,给出了将模糊聚类模型转化为粗糙数据模型的方法,从而设计出一种通过迭代计算使目标函数最小的两个必要条件方程来获取RDM模型的有效算法,将Kowalczyk方法的多维搜索过程变为以聚类数目为参数的一维搜索,极大地减少了寻优时间.与传统的粗糙集理论和Kowalczyk方法相比,提出的方法具有更好的数据概括能力和噪声数据处理能力.最后,通过不同的数据集实验测试,结果表明了该方法的有效性.

监督模糊聚类神经网络及其应用

为在面料成衣之前客观评价其缝纫性能,提出了一种基于监督模糊聚类客观评价方法。通过引入输出空间对FCM聚类算法进行改进,同时反映输入空间的聚类特征和输出空间的逼近特性。用FAST系统测量服装面料的力学性能指标,运用核主成分法对所测指标进行分析,提取5个核主成分作为神经网络的输入。实验结果表明,系统可以根据中厚型棉织物的不同结构及物理性能快速准确地给出该织物成衣后的缝纫性能评价指标。

基于监督模糊聚类的缝纫平整度客观评价系统

提出了一种基于改进型模糊聚类的缝纫平整度客观评价系统。首先,用FAST仪器测量得到服装面料的各项力学性能指标,并根据主因子分析法提取6个贡献最大的综合指标;其次,通过基于输出空间的SFCM算法对获取的综合指标进行模糊聚类,得到相应的各聚类中心;最后,根据聚类结果确定径向基神经网络的节点中心和宽度。经过大量实验,系统可以根据中厚毛型面料的不同结构及物理性能快速准确地给出该织物成衣后的缝纫性能评价指标。

水泥熟料质量等级的半监督模糊聚类建模方法

运用半监督模糊聚类算法抽取了水泥熟料质量等级和生产过程中工艺参数之间的对应关系,在此基础上建立了规则化的熟料质量等级模型;具体算法上,引入了两类监督信息来改进无监督模糊聚类算法:一类是成对约束数据,目的是为了降低数据维度和改善空间相似性,一类是标签数据,目的是为了初始化聚类中心和修正聚类目标函数;经实际生产数据验证,改进后的算法可有效提高建模准确率、降低聚类维度和缩短计算时间。

半监督模糊聚类及其在羊蹄甲叶片识别的应用

提出了一种半监督模糊聚类算法,给出了它的迭代公式,指出该算法可以有效提高聚类算法的效率.结合Fisher降维方法,从叶片的色调、绿色灰度的18个特征中提取出两个主分量,并采用这些二维数据对羊蹄甲角斑病的受害程度作聚类分析.结果显示,对40张使用了其类别属性参与聚类的叶片,聚类结果与这些属性的一致率达100%,而对于其他数据,一致率也达到95%以上.

基于半监督模糊聚类算法的奶牛行为判别系统

以实时判别奶牛行为,提升精细养殖技术水平为目标,本试验以系统功耗低、检测灵敏度高、运行稳定性强为原则设计无线传感节点,研发了一种基于半监督模糊聚类算法的奶牛行为实时判别系统。为获取最佳通信距离及最优节点固定高度,对无线传感节点分别进行固定高度—通讯距离与丢包率关系测试、固定高度—数据波动关系测试,通信距离分别取10、20、30m,固定高度分别取10、20、30cm;并将半监督模糊聚类判别算法、K-means算法及BP神经网络算法在奶牛行为识别方面的准确度、精度及敏感度进行比较。结果显示,集成三轴加速度传感器ADXL345、处理器MSP430-F149、无线收发器CC1101等芯片设计的无线传感节点可精确采集奶牛运动加速度数据,满足长期可靠传输数据等工作要求。固定高度—通讯距离与丢包率、固定高度—数据波动关系测试结果显示,最优传输距离为10m,最佳节点固定高度为30cm。半监督模糊聚类算法性能最高,平均准确度达到95.4%,平均精度为53.0%,平均敏感度为60.6%。K-means算法的平均准确度达到90.3%,平均精度仅有39.9%,平均敏感度为45.6%。BP神经网络算法平均准确度达到93.7%,平均精度为45.5%,平均敏感度为47.0%。半监督模糊聚类算法具有准确性高、学习复杂度低、运行速度快的特点,具有良好的寻优能力,效率较高。

基于半监督模糊聚类的图像压缩研究

针对主流图像压缩方法色彩深度冗余、无法针对特定场景加入标签以优化压缩质量等问题,本文提出了一种基于半监督模糊聚类(SFCM)的图像压缩方法,相比传统的图像压缩算法,该方法能通过引入模糊标签信息以提高特定应用场景下图像压缩的质量,即对特定区域进行标记以达到更好的压缩效果,从而使得图像压缩在更多不同应用场景保留更丰富的信息。本文实验选取传统的Lena图和COVID-19CT图像,实验结果显示此改进的图像压缩方法相比JPEG、K-Means等方法压缩得到的图像具有更好的信噪比。

半监督模糊聚类算法的研究与改进

介绍了半监督模糊聚类(SFCM)算法的原理和基础,针对当先验信息量稀少时算法无法真正有效地利用labeled数据的监督信息的缺点,提出了一种改进的半监督模糊聚类算法,即SSFCM算法。该方法把表示labeled数据点权重的参数放在聚类中心的迭代表达式里,从而可以调节监督信息的影响力。最后,在标准Iris数据集下,通过matlab编程实现算法。实验结果表明:无论从聚类结果的准确率还是算法运行迭代次数来看,SSFCM算法均优于FCM算法和SFCM算法。

改进的半监督模糊聚类算法

针对Grira等近期提出的利用点对约束的半监督模糊聚类算法,其约束项与竞争聚类算法(CA)的目标函数之间数量级不一致,造成隶属度调整过度的问题,在重新定义目标函数的基础上提出一种改进算法,约束惩罚函数采用约束点对中两个样本新的联合表达式,使数量级与经典模糊聚类算法一致.实验结果显示,新算法的约束项与CA目标函数之间能很好地协调合作,并能通过对模糊隶属度的适度调整,实现更准确的聚类.

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improved semi-supervised fuzzy c-means clustering algorithm,ISS-FCM)。定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以引导聚类过程。为避免随机初始化划分矩阵使聚类结果陷入局部极值,利用训练样本对划分矩阵进行初始化。由于原始油液数据的聚类趋势不明显,不能有效描述发动机的磨损状态,利用自回归(Autoregression,AR)模型从油液光谱数据中提取出残差方差特征。结合某型履带车辆发动机台架试验,利用所提ISS-FCM算法对油液原子发射光谱测量数据进行分析,成功诊断出该发动机的拉缸和烧瓦故障。试验结果证明该方法在发动机磨损故障诊断领域的有效性。

基于Parzen窗的油液原子光谱数据半监督FCM聚类研究

提出了一种基于Parzen窗的半监督模糊C-均值(Semi-supervised Fuzzy C-Means Based on Parzen window,PSFCM)聚类算法。根据训练样本确定出模糊C-均值(Fuzzy C-Means,FCM)的初始聚类中心;利用Parzen窗法计算出测试样本对各类状态的隶属度后,重新定义了隶属度迭代公式。通过齿轮箱磨损实验台模拟了齿轮箱的2种典型磨损故障并采集了油样。选取实验油样光谱分析数据中代表性元素Fe,Si,B的浓度值作为分析数据集的3维特征量,分别进行了FCM聚类和PSFCM聚类分析。聚类结果为:FCM聚类的正确率为48.9%,而融入了监督信息的PSFCM聚类的正确率为97.4%。实验说明,将PSFCM算法引入到油液原子光谱分析,降低了对人为经验和大量故障数据的依赖,提高了齿轮箱磨损故障诊断的准确度。

基于模糊聚类分析的多目标决策方法

当多目标系统中的决策目标和备选方案都较多时,决策分析就相当耗时费力。本文以决策论中的理想目标作为监督信息,利用模糊聚类分析中的部分监督模糊C-均值聚类算法,提出一种新的多目标决策方法,该方法不仅能识别最佳方案,而且能确定各备选方案的排序,以及属于理想目标的程度。

基于多模型聚类集成的锅炉烟气NO_x排放量预测模型

电站锅炉烟气NO_x排放量的预测控制对电站的经济效益和环境污染治理有重要影响。为了提高NO_x排放量预测模型的精度,本文提出了一种基于多模型聚类集成的锅炉烟气NO_x排放量建模方法。首先根据输出NO_x排放量的高低划分数据空间,通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量,然后利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵,最后采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS-SVM)模型进行集成。仿真结果表明,通过集成模糊C均值聚类(FCM)和有监督的遗传算法-软模糊聚类(GA-SFCM)的VMSC算法提高了建模的精度,比单一模型的仿真性能更好。

一种高光谱图像的半监督分类方法

基于密度的抽样和动态时间扭曲距离,提出了一种半监督高光谱模糊聚类方法。该方法首先应用基于密度的方法对样本进行抽样,然后采用动态时间扭曲距离计算样本之间的相似度,最后利用半监督模糊C均值算法进行聚类。为了验证所提出方法的有效性,在广泛使用的Indian Pines数据集和Pavia U数据集上进行试验。结果表明,本文提出的方法能够取得理想的分类结果。

一种邻域粒的模糊C均值聚类算法

针对初始值和噪声的敏感性会导致模糊C均值聚类效果下降这一问题,引入粒计算理论,采用邻域粒化技术,提出邻域粒模糊C均值聚类算法。样本在单特征上使用邻域粒化技术构造邻域粒子,在多特征上粒化形成邻域粒向量,定义多种粒距离公式度量粒子之间的距离。根据粒距离度量,提出粒模糊C均值聚类算法,采用多个数据集进行实验,将粒模糊C均值聚类算法与经典聚类算法进行比较,验证了所提出的邻域粒模糊C均值聚类算法的可行性和有效性。

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。

结合SSFCM与随机游走的半监督图像分割算法

针对基于颜色特征空间的半监督聚类分割算法适合分割结果包含多个颜色特征相似目标的应用场合,但对高噪声图像却无法获得理想的分割结果,而基于随机游走理论的半监督图像分割算法需要用户对目标逐一进行标记的问题,提出一种半监督图像分割算法.首先根据用户标记采用半监督模糊C均值聚类(SSFCM)算法对图像颜色特征进行建模;然后引入一个确信度函数,并根据SSFCM算法得到的隶属度数据计算确信度函数值,再将像素分为2类,分别作为随机游走图像分割算法的已标记点和未标记点;最后采用随机游走算法完成最终的分割.实验结果表明,该算法对图像中的噪声具有良好的抑制作用,且无需用户对目标逐一进行标记.

基于多LS-SVM集成模型的锅炉NO_x排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。

一种新的复杂自然背景中多目标的检测算法

综合利用了RGB图像的彩色特征与灰度图像的分形特征,提出了一种新的复杂自然背景中多目标的检测算法。首先通过无监督优化模糊聚类的方法分割出彩色图像中目标的潜在区域,记录其质心位置和形状大小;然后在质心对应位置提取灰度图像中各区域的分形特征,利用几何度量空间变化率特征排除背景奇异区域的干扰;最后对记录的目标区域进行判决,得到真实目标的质心位置和形状特征,从而检测出全部目标。仿真结果表明,该算法可以有效的进行多目标检测,并较好的保留目标形状特征。

铝电解过程电流效率智能集成预测模型

针对铝电解过程电流效率预测问题,建立了一种电流效率智能集成预测模型。首先,基于铝电解过程及其数据的特点,以及模糊c-均值聚类和非监督聚类方法的不足,提出一种模糊c-均值监督聚类改进算法对其聚类,并在此基础上建立了监督式分布支持向量机智能预测模型。其次,基于铝电解反应原理,建立了电流效率机理预测模型。最后,对两种模型进行加权集成,得到电流效率智能集成模型,并利用现场生产数据进行仿真验证,结果表明其预测精度较高,可用于铝电解电流效率实际生产预报。