基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步：结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

颅脑MRI图像模糊聚类分割算法中模糊聚类数的讨论

目的探讨颅脑MRI图像模糊聚类分割算法中最佳模糊聚类数。方法利用VC 编程读取DICOM格式的MRI图像,然后运用模糊聚类分割技术对50幅图像在不同的模糊聚类数参数下进行处理,进行对比分析。结果当模糊聚类数为5～6时,模糊聚类有效性函数最小,图像处理的效果达到最佳水平。结论进行颅脑MRI图像模糊聚类分割时,模糊聚类数应取5或者6。     

细乳液法制备聚硅氧烷-Ag纳米复合微球及其抗菌性

模糊建模是一种有效的非线性系统建模方法,因为非线性系统的复杂性,仍有很多问题难以处理。针对T-S模糊模型,提出了一种改进的建模及优化方法。首先,将快速搜索密度峰聚类和模糊C均值聚类(FCM)算法相结合,使用快速搜索密度峰聚类算法找到聚类个数和初始聚类中心后,再用FCM算法进行聚类;然后,通过最小二乘法辨识结论参数得到初始T-S模糊模型,使用改进的差分进化(DE)算法整体优化模型的结构和参数,获得最终的T-S模型;最后,选择代表性实例,使用MATLAB程序进行仿真分析和比较,验证了本文方法能有效提高T-S模糊模型的辨识精度和速度。     

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。     

基于加权模糊聚类的污水处理过程故障检测

模糊C均值（FCM）聚类是一种常用的聚类方法,在工业应用时,常因数据的强噪声和非线性导致聚类效果不够理想。提出了一种密度加权、核理论和可能性模糊C均值聚类（PFCM）相结合的聚类方法。该方法采用核函数,将数据映射到线性空间进行聚类分析,消除非线性影响;通过引入点密度概念,加快算法迭代,增强可分性,提高聚类准确率。将该聚类算法用于污水处理过程的故障检测,结果表明该方法不仅能解决非线性问题,而且能有效加快收敛速度。     

基于小波去噪的基因表达数据聚类集成算法的研究

目的:为基因表达数据的聚类提供方法学参考.方法:提出了一种小波去噪与模糊聚类集成算法结合起来进行聚类的新算法对酵母细胞的基因表达数据进行聚类,并同模糊聚类集成算法进行比较分析.结果:采用Micro-precision方法对新算法和模糊聚类集成算法进行评价.结果表明本文提出的算法具有较高的聚类精度,并且聚类精度高于模糊聚类集成算法.结论:利用本文提出的算法对基因表达数据具有较好的聚类效果.     

基于综合评判的蚁群聚类分析

首先介绍聚类分析和蚁群算法的内涵,然后提出基于综合评判的蚁群聚类分析方法,该方法依据蚂蚁觅食寻路的聚类特性,将数据对象看作蚂蚁,相应的聚类中心看作食物源,利用综合评判值作为转移概率来确定数据对象的归属.聚类分析试验结果表明该聚类方法合理、有效、可靠.     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

一种基于LDA和FCM的BPA多模型软测量方法

模糊C-均值聚类(FCM)算法是数据预处理中常用的一种方法,但用这种方法进行数据聚类,各类别边界信息间往往存在干扰,模型精度不能得到很好改善。本文采用一种改进的线性判别分析(LDA)方法,用于扩大样本类别间的距离,使聚类更为精确。将FCM算法与改进的LDA算法结合提取样本特征,然后通过多模型融入到SVM算法中。通过对双酚A软测量建模的仿真研究表明该方法具有较好的效果。     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型，然后通过调整聚类半径优选模糊规则数，以取得具有良好泛化性能的模型，之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模，结果表明能较快确定优化模型，并能满足软测量建模精度要求。     

一种基于改进型遗传算法的模糊聚类

针对模糊C均值算法(FCM算法)难以达到全局最优解的问题,引入了具有全局搜索能力的遗传算法以解决聚类问题,并在标准遗传算法基础上进行了改进。将该算法运用于IR IS数据的聚类,实现了较好的聚类,从而验证了算法的有效性。     

模糊聚类分析在勘查奎屯地方性氟中毒地区氟源中的应用

本文使用模糊聚类分析方法探讨了奎屯地区的氟源及其与其他元素空间分布的关系,并进行了地质学及医学上的解释。该区氟的来源主要是由于沉积物中夹带氟元素所致:(1)该区氟中毒病情的严重程度,在重病区与饮水中镁含量低有密切关系,在轻病区则与饮水中钙含量低有密切关系,防治工作中应注意补镁或钙;(2)该区氟中毒的病情程度与饮水的碱性呈正相关,改进膳食及防治过程中应注意之;(3)从129团起向西北方向一带的地下水中深井的含氟量明显高于浅井,这一带居民不宜饮用深井水,同时,也应禁用含氟高的井水灌溉食用的农作物。     

基于模糊聚类优化的序列图像快速分形压缩

针对传统序列图像分形压缩算法编码时间过长的问题,提出了一种基于模糊聚类优化(OFC)的快速算法,它是一种基于单帧的序列图像帧间分形压缩算法。首先使用LBG(Linde-Buzo-Gray)方法对序列图像组成的搜索空间样本集进行初始化,然后将OFC方法应用于对样本集的软分类,匹配时通过用类内搜索取代全局搜索,将分形编码过程聚焦在最有效的局部范围内,从而减少了匹配次数,降低编码时间。由于OFC算法是一种软分类方法,样本集类别数的确定即最终聚类方案是取样本集所有可能的分割中对应于目标函数最小者的分割,所以它不但是基于全局最优的聚类方法,避免了基于局部最优LBG算法中的某些误判,而且有效抑制了传统硬分类方法中类别数需预先指定的人为干扰因素,使恢复图像的质量能够得到更有效保证。相同运算环境下的仿真实验结果说明,在不影响信噪比和压缩比的前提下,与传统序列图像分形压缩算法相比,OFC算法编码速度可提高约5倍,证明了本算法的优越性。     

模糊聚类法在乙脑流行程度预测中的应用

本文应用模糊聚类分析法,对福建省某县的乙脑流行程度进行预测。对1966～1987年的乙脑流行资料,选择8个有关因素进行处理,建立预测模型,并作预测考核,结果与实际情况相符,效果满意。     

应用多层次聚类方法挖掘图书馆微博数据

使用R语言工具,利用Pamk算法和Kmeans算法相结合的多层次聚类方法,对图书馆新浪微博数据进行子主题聚类和挖掘,发现和摒弃大数据集合中的无用数据,挖掘隐含信息,提高微博信息的利用效率和水平,充分发挥其在图书馆工作中的作用。     

神经网络多模型软测量技术及应用

基于多模型思想，采用模糊聚类的方法对软测量数据进行了分类，对每类数据基于神经网络(NN)建模，采用RBF神经网络构造了每个数据样本的隶属度，将各模型输出的数据进行隶属度加权求和得到最终的软测量输出，并对某催化重整生产装置催化剂再生器氧含量进行了建模研究，获得了满意的结果。