基于模糊-灰色聚类三角函数综合评价法的电动汽车技术发展风险分析研究

随着全球变暖、环境污染问题的加剧,电动汽车作为一种低碳电力技术,在近年来取得了快速的发展。但是在快速发展的背后也存在着不确定性,面临着诸多风险。本文将构建电动汽车发展风险评价指标体系,运用模糊-灰色聚类三角函数综合评价法对电动汽车发展风险进行了评价研究,并结合实例分析,得出我国电动汽车发展风险等级为高的结论。

基于广度优先搜索的变异加权模糊C-均值聚类算法

针对传统模糊C-均值聚类方法(fuzzy C-means,简称FCM)对初始值敏感导致的易陷入局部最优和噪声敏感问题,文章提出一种基于广度优先搜索的变异加权模糊C-均值聚类算法。该算法通过改进具有全局搜索能力的广度优先搜索算法(Breadth Fist Search,BFS)和有效聚类评价函数相结合,确定了接近真实的初始聚类中心,同时能够剔除噪声数据。在此基础上考虑属性噪声对聚类结果的影响问题,引入变异系数赋权法对FCM的目标函数进行改进,进一步提高了FCM算法的抗噪性。实验结果表明,该算法能够有效的克服传统FCM的不足,与其他聚类算法相比,具有较快的收敛速度、更好的聚类准确率及较高的抗噪性。

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1)需要预先知道聚类的数量;2)对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。

一种对孤立点不敏感的新的K-Means聚类算法

针对传统K-Means聚类算法的不足,提出一种新的对孤立点不敏感的K-Means聚类算法。首先,采用孤立点移除算法消除数据集中存在的孤立点;然后,对不包含孤立点的数据集进行传统K-Means聚类,再引入轮廓系数并选择轮廓系数最大值对应的簇类数作为数据集中簇的最优选择数目K;最后,通过自定义的聚类有效性评价函数评估聚类效果。实验结果表明,相对于传统K-Means聚类算法,对孤立点不敏感的新的K-Means聚类算法能够消除孤立点对数据集整体的影响,并优化了聚类中心的选择。

一种自适应图像数据源的花卉图像分割方法

为解决自然场景下各种颜色花朵目标的提取问题,提出一种基于自适应图像数据源的彩色图像分割方法。该方法中,一幅图像的不同数据源对应着此图像不同的色彩分量信息。由于模糊C均值聚类算法(FCM)是一种局部搜索算法,因此新方法中首先利用细菌觅食优化算法(BFO)的全局寻优性与FCM结合,从而寻得一幅图像在多个色彩分量下各自的全局最优聚类中心;然后利用一种新的综合的模糊聚类评价函数求得此图像在其不同色彩分量下即不同数据源下的分类质量;最后输出分类质量最好的分类结果。通过对真实场景中采集的10幅具有代表性的图像进行实验,结果证明新方案能适应目标颜色和背景因素的变化,分割出更接近期望的目标。