基于关联群广义直觉模糊软集的仿真可信度指标聚合方法

针对仿真可信度主观评估过程存在关联关系时基于独立假设的指标聚合算子失效的问题,以及主观评估时评估专家的判断主观性强且表述能力不足的问题,提出一种基于关联群广义直觉模糊软集的仿真可信度指标聚合方法以及群广义直觉模糊软集关联加权平均聚合算子.结合直觉模糊TOPSIS方法,给出了方法的具体步骤.通过CRH2型高速列车组牵引传动故障注入仿真可信度主观评估实例,验证了所提出方法的可行性和有效性.

基于K值改进的K-means算法在入侵检测中的应用

K-means聚类算法在入侵检测的运用中存在两个重要的缺陷:一是初始聚类中心是随机选择的,二是容易陷入局部最优解。提出一种改进的K-means算法,首先通过数据筛选确定高密度区域,然后确定两个最远点作为初始聚类中心以及非模糊型的集群评估指标来确定剩下的初始聚类中心,最后再进行聚类分析。实验表明,改进后的K-means算法不再依靠随机的K值和聚类中心,使得聚类过程可以依据数据集本身进行自适应的调整,同时保证了较高的网络入侵的检测率和较低的误报率。