基于Vague聚类规则的双向近似推理

在智能系统的研究与开发中 ,推理方法的计算复杂性是一个很重要的问题 .为了获得良好的推理效果和推理效率 ,就必须降低推理方法的计算复杂性 .为此本文首先给出了一个新的 vague集间的距离定义 ,然后给出了相似方向的概念及相似方向的判定方法 .在此基础上 ,提出了对 vague规则进行聚类 ,以及基于 vague聚类规则的双向近似推理方法 ,该方法更好地利用了 vague集信息的精确性 ,而且降低了推理的计算复杂性 ,从而提高了推理的精确性和适用性 .并用实例验证了该方法的有效性 .

Vague集的相似度量及其在聚类分析中的应用

在智能系统的研究与开发中,聚类分析是一个非常重要的问题。提出了一个基于未知度和核的Vague集间的相似度量公式。在考虑算法自主性和计算复杂性的基础之上,通过参考Fuzzy集中的相关聚类分析方法,给出了一种以Vague集的相似度量为评价准则的直接聚类算法。使用相似度量公式,分别采用Vague传递闭包法和Vague直接聚类法进行计算,实验结果表明,基于Vague相似度量的直接聚类法计算简单,不会造成原始信息的失真,而且对数据量的大小均无特别的要求,比Vague传递闭包法更加有效。

一种Vague集上的直接聚类法

Vague集是Fuzzy集的扩展,在给出几种构造Vague集相似矩阵方法的基础上,将Fuzzy集上的编网法和最大树法引入到Vague集上,定义了Vague关系图,并给出了基于Vague集的直接聚类法:编网法和最大树法。最后使用文献[1]中的例子,分别采用Vague传递闭包法和Vague直接聚类法进行计算。实验结果表明,Vague直接聚类法计算简单,不会造成原始信息的失真,比Vague传递闭包法更加有效。

基于Vague集的时间序列聚类算法

在区间值时间序列的基础上,重点讨论了区间值时间序列的聚类算法。对于区间个数相等的Vague集,提出了Vague集之间的相似度量。分析了传统模糊聚类方法,特别是基于模糊等价矩阵的聚类方法和编网法聚类方法的不足,根据编网法的思想,设计了区间值时间序列Vague集聚类快速算法,降低了计算复杂度。

不同Vague集相似度量直接聚类算法比较

在智能系统的研究与开发中,聚类分析是一个非常重要的问题。针对新的以Vague集的相似度量为评价准则的直接聚类算法,采用不同的Vague集相似度量公式进行聚类分析。实验结果表明,基于Vague集相似度量的直接聚类算法是有效的,并且不同Vague集相似度量的直接聚类算法聚类效果基本相同,但具体聚类步骤差别较大。在具体应用中要根据实际情况选择使用。

基于Vague聚类方法的战场电磁目标分选

为有效地评估战场电磁态势,研究战场电磁目标的聚类分选方法是非常必要的。提出了一种Vague集相似度量方法,该方法能同时考虑目标数据的全部证据信息和不精确性信息。然后,结合领域专家的知识与经验,研究了一种Vague聚类方法,该方法通过对构建的布尔矩阵逐行扫描,能方便地实现对目标的聚类分选。最后,选定某战场环境中的5个电磁目标,采用提出的Vague聚类方法进行分选分析,计算结果验证了采用Vague聚类方法分选战场电磁目标的可行性。

基于粒子群的Vague均值聚类分割算法

将Vague集引入模糊C-均值聚类目标函数,对其添加非隶属度信息,定义样本关于类的肯定隶属度函数和否定隶属度函数,并构造聚类中心表达式。采用粒子群优化算法求解该聚类目标函数,设计相应聚类算法,使其快速收敛于目标函数的全局最优解。对比实验结果表明,改进算法可以分割出目标轮廓并具有抗噪性。

Vague集之间的新的距离公式

在基于Vague集聚类规则的近似推理中,需要计算Vague集之间的距离.本文提出两个新的距离公式,证明它们满足已知公理,选择适合的距离公式会得到Vague集规则的更为合理的聚类,以便在进行Vague集推理时,可以降低规则库的搜索规模和减少计算的复杂性.

基于句子级最大频繁单词集的Web文档聚类研究

Web文档聚类是Web挖掘的一个重要研究方向。现有的挖掘算法得到的频繁模式不仅维数高,而且不能很好反映文档表达的语义信息。为了得到更精确的聚类结果,本文提出一种基于句子级的最大频繁单词集挖掘方法来挖掘文档特征项。在此基础上,先初步聚类后依据类间距离和类内链接强度阈值合并或拆分类,最终实现文档聚类。在此过程中,使用可变精度粗糙集模型计算每个类的特征向量。实验结果表明,本文提出的算法优于传统的文档聚类算法。

一种Vague集的模糊支持向量数据描述

针对支持向量数据描述中噪声和孤立点带来的过拟合问题,提出了一种Vague集的支持向量数据描述(VFSVDD),利用模糊k-均值聚类方法生成每个训练样本的真、假隶属度,可以精细地控制训练样本对超球面边界的影响。用UCI机器学习数据集的数据实验验证了VFSVDD的有效性。

Vague集之间的距离公式

指出Vague集(值)之间的距离公式应遵循的公理,并提出两个新的Vague集之间的距离公式。证明了这些距离公式满足这些公理,使得在进行Vague规则聚类时,对距离公式有选择的余地,以便当规则库较大时,降低Vague推理时的搜索规模和减少计算的复杂性。

R-means:以关联规则为簇中心的文本聚类

本文将k-means与关联规则(或频繁项目集)相结合,提出了一种新的文本聚类算法R-means。R-means算法以关联规则作为簇中心,通过类似于k-means的迭代优化得到最终的簇。因此R-means不仅继承了k-means的简单性,而且用关联规则产生的簇描述易于为人们所理解。在几个实际数据集上的实验表明该算法可以得到高精度和高性能。

基于Vague相似矩阵的分类方法

本文提出一种基于Vague相似矩阵的分类方法,以解决Vague集上的知识分类问题,并定义了所需的概念,设计了详细算法.实验分析表明了该方法的有效性.

基于Vague双向近似推理的系统决策方法

先提出Vague值间的一种新的相似度,并基于有序加权聚类(OWA)算子给出Vague集间的新的加权相似测度,其中的权重是由决策者根据实际决策需求来确定的,具有一定的弹性;另外通过Vague输入事实与Vague决策规则的前件(或后件)之间的相似匹配度,得到一个简单可行的双向近似推理方法,这可为复杂环境下的系统决策(如工业检测和医疗诊断等领域问题)提供有效的支持工具。

一个基于Web访问路径聚类的智能推荐系统

提出了一个基于Web用户访问路径聚类的智能推荐系统.系统使用基于代理技术的结构,由离线的数据预处理和基于用户访问路径的URL聚类以及在线推荐引擎两部分组成.提出了一个基于用户浏览兴趣的推荐规则集生成算法,在度量用户浏览兴趣时综合考虑了用户浏览时间和对该页面的访问次数.提出了一个基于推荐规则集和站点URL路径长度的URL推荐算法.实验表明,该算法比使用基于关联规则和基于用户事务的推荐算法的精确性有较大幅度的提高.

一种基于关联规则的中文概念集生成算法

本文提出了一种基于关联规则的中文概念集生成算法。该算法首先产生文档的中文关键词集,采用向量空间模型VSM(vector space model)表示文档;然后以中文关键词为事务项,以中文文档为事务,采用成熟的关联规则算法发现中文关键词频繁集;再生成原始概念集并对原始概念集进行聚类,最终实现了中文概念集的自生成.同时该算法能引入增量更新的特性,对概念集进行增量更新。通过实验,表明该算法能有效地生成中文概念集.可以用之于对表示中文文档的高维特征向量的语义降维,具有一定的使用价值。

基于模糊聚类的电弧炉炼钢氧枪优化用氧的研究

集束氧枪是实现电弧炉炼钢强化用氧技术的主要工具,研究其优化用氧制度将具有很大的现实意义。根据某大型电弧炉炼钢用氧历史数据,运用模糊聚类算法对氧枪用氧进行具体分析,提出并建立了优化用氧规则表。

基于改进的K-means算法的关联规则数据挖掘研究

关联规则是数据挖掘中的概念,通过分析数据找到数据之间的关联.海量数据会产生大量冗余和相似的关联规则,影响用户对规则的理解和判断.本文采用鸢尾花数据集进行实验.建立三个检验指标,删除冗余关联规则;在进行K-means分析时利用规则产生的三角形迭代选择初始点,再将删除冗余后的规则进行聚类.实验证实本文方法将相似的关联规则归为一簇,能有效的帮助用户迅速找到有用的关联规则,有助于用户更好的对规则进行理解和分析,提高了聚类的效率.

一种量化关联规则挖掘算法

提出了一种新的挖掘量化关联规则的方法。该方法使用聚类算法把数据库中的交易记录分成若干个簇,把簇投影到数值型属性所在的域,形成重叠的、有意义的区间。实验结果显示,这种方法能够有效地挖掘量化关联规则,并且能够发现以前的算法可能遗漏的重要的规则。

基于粗集理论的数据离散化技术研究

信息系统连续型属性值的离散化对决策规则或决策树的学习具有非常重要的意义,它能够提高系统对样本的聚类能力,增强系统抗数据噪音的能力,减少机器学习算法的时间和空间开销,提高其学习精度。粗集是有效的数据离散化工具。对基于粗集理论的数据离散化方法进行了深入研究,分析其特征,评述其研究进展,并通过仿真实验研究了几种典型的启发式离散化算法的性能。其结果对发展新的离散化技术或为特定应用选择合适算法都有参考价值。