用改进的RPCL算法提取聚类的最佳数目

对于传统的Ｋ 平均算法来说，如何选择适当类的数目是一个难以解决的问题．有人提出了次胜者受罚的竞争学习（ｒｉｖａｌｐｅｎａｌｉｚｅｄ ｃｏｍ ｐｅｔｉｔｉｖｅ ｌｅａｒｎｉｎｇ ： ＲＰＣＬ）算法试图来解决这一问题．但是，当数据类有重叠以及输入矢量含有非独立项时，ＲＰＣＬ算法的性能不能令人满意．本文提出了一种结合全协方差矩阵的ＲＰＣＬ算法，并逐步删除那些只包含少量训练数据的类．这种算法，我们称之为改进的ＲＰＣＬ算法．我们用改进的ＲＰＣＬ算法来确定高斯混合分布类的数目，并将其与原来的ＲＰＣＬ进行比较．实验证明。

一种改进的RPCL聚类算法及其在软测量中的应用

传统RPCL聚类算法是在随机选取样本的前提下修正权矢量的,没有考虑样本集的空间分布情况。为此,该文提出了一种改进的RPCL聚类算法。该算法引入样本区域密度的概念,根据密度大小按不同的概率选取样本,以修正权矢量。利用文犤1犦中的算例证明了新算法比传统RPCL算法具有更好的聚类速度和精度。最后将算法用于基于RBF神经网络的氧化铝高压溶出过程中溶出率的软测量,仿真结果表明改进的RPCL算法能很好地实现数据样本的聚类,从而提高软测量模型的泛化能力。

基于改进RPCL算法的模糊推理系统构建方法

给出了一种改进的RPCL算法,然后提出了一种基于此算法的Sugeno型模糊推理系统构造方法.该方法首先对训练样本子集聚类以形成初始模糊规则集合,然后对初始模糊规则集合再次聚类以确定模糊语言值个数和隶属函数,从而克服了以往规则提取法在训练样本不充分时规则数目难以确定及规则提取不足等缺点.最后,以倒车实验为例验证了该方法的有效性.

用模糊推理机制调整RPCL算法中的惩罚力度

关于聚类已经有一些相当成熟的算法,但是这些算法都要事先给定聚类个数,带有很大的主观性.针对此问题,惩罚次胜者竞争学习算法(RPCL)通过初始化足够多聚类中心,并且把多余的聚类中心排挤到离数据区足够远的地方来自动确定聚类个数.试验表明这种算法在很多情况下有着良好的运用,但是该算法学习速度比较慢,在处理类别界限模糊的数据集时往往得不到正确的分类.针对它存在的问题,用几条模糊控制规则,提出了惩罚次胜者模糊竞争学习算法以达到自动调整次胜者学习速度的目的.实验表明,惩罚次胜者模糊竞争学习算法更优秀.

一种新的基于模糊聚类和免疫原理的入侵监测模型

本文提出了一种新的基于模糊聚类和免疫原理相结合的入侵检测模型,同时文章中对RPCL算法进行了改进,克服了原有RPCL算法中不同变量量纲以及变量相互间相关性对算法性能的影响,同时解决了原有算法对初始分类数敏感的不足.利用改进后的RPCL算法解决了模糊聚类中分类个数不确定的问题,最后利用遗传算法进行半径的最优调整形成非正常子空间的特征函数.最后给出试验结果并进行了分析.

基于样本空间分布密度的改进次胜者受罚竞争学习算法

针对传统次胜者受罚竞争学习(RPCL)算法忽略数据集几何结构对节点权值调整的影响,以及魏立梅等提出的新RPCL算法(魏立梅,谢维信.聚类分析中竞争学习的一种新算法.电子科学学刊,2000,22(1):13-18)引入密度来对节点的权值进行调整时,密度定义的主观性,提出基于样本空间分布密度的改进RPCL算法。该算法根据数据集样本自然分布定义样本密度,将此密度引入RPCL节点权值调整;使用UCI机器学习数据库数据集以及随机生成的带有噪声点的人工模拟数据集对算法进行实验测试,对算法确定数据集类簇数目的准确率、运行时间、聚类误差平方和、聚类结果的Rand指数、Jaccard系数以及Adjust Rand index参数进行分析比较。各项实验结果显示:所提算法优于原始RPCL算法和魏立梅算法,具有更好的聚类效果,对噪声数据有很强的抗干扰性能。所提算法不仅能根据样本的自然分布确定数据集的合理类簇数目,而且能确定合适的类簇中心,提高聚类的准确性,使聚类结果尽可能快地收敛到全局最优解。

基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则 ,提出了基于正交最小二乘 ( OLS)递推算法 ,采用改进的 Givens旋转变换技术避免了大型矩阵的 QR分解运算。在满足系统测量精度条件下 ,使用反向优选算法优化 RBF网络结构。仿真结果表明 ,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题 。

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性,引入次胜者受惩(RPCL)算法和递归正交最小二乘算法(ROLS),进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明,该方法预测精度明显高于传统的方法,具有很强的学习与泛化能力,在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很高的应用价值。

A Novel Model of IDS Based on Fuzzy Cluster and Immune Principle

This paper presents a novel intrusion detection model based on fuzzy cluster and immune principle. The original rival penalized competitive learning (RPCL) algorithm is modified in order to address the problem of different variability of variables and correlation between variables, the sensitivity to initial number of clusters is also solved. Especially, we use the extended RPCL algorithm to determine the initial number of clusters in the fuzzy cluster algorithm. The genetic algorithm is used to optimize the radius deviation for the determination of characteristic function of abnormal subspace.