基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于 模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对 每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证 工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想,提出了一种非线性软测量建模的新方法。即先用模糊ｃ均值聚类将训练集分成具有不同聚类中心的子集,每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果,此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究,结果表明比其它算法具有更好的泛化结果和预报精度,具有     

基于多神经网络模型的酯化反应软测量

对模糊C-均值聚类算法加以改进，将系统输入数据进行模糊划分，分成具有几个不同聚类中心的子集；继而引入到多模型建模过程中，针对每个子集建立相应的径向基函数(RBF)网络模型。而全局模型则由各个子模型的输出加权组合。最后通过对聚合釜反应器软测量建模的研究，表明该方法具有拟合精度高和泛化能力强的特点，验证了此多模型建模方法的有效性和快速性。     

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。     

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。     

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。     

模糊聚类与传统聚类在医学中的应用

本文随机抽取１１０例慢性肝病（肝炎３５例、肝硬化６１例、肝癌１４例），分别用传统聚类和模糊聚类进行分析，传统聚类法以病程、脾大作为慢性肝病的诊断指标，其符合率为５０％，而模糊聚类法以年龄、病程、脾大作为鉴别慢性肝炎、肝硬化、肝癌的较好指标，符合率为８２．７％，两种方法的符合率以后者为优（Ｐ〈０．０１）。所以模糊聚类的分类更易使人接受。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

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。     

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。     

Application of Attribute Weighting Method Based on Clustering Centers to Discrimination of Linearly Non-Separable Medical Datasets

In this paper, attribute weighting method based on the cluster centers with aim of increasing the discrimination between classes has been proposed and applied to nonlinear separable datasets including two medical datasets (mammographic mass dataset and bupa liver disorders dataset) and 2-D spiral dataset. The goals of this method are to gather the data points near to cluster center all together to transform from nonlinear separable datasets to linear separable dataset. As clustering algorithm, k-means clustering, fuzzy c-means clustering, and subtractive clustering have been used. The proposed attribute weighting methods are k-means clustering based attribute weighting (KMCBAW), fuzzy c-means clustering based attribute weighting (FCMCBAW), and subtractive clustering based attribute weighting (SCBAW) and used prior to classifier algorithms including C4.5 decision tree and adaptive neuro-fuzzy inference system (ANFIS). To evaluate the proposed method, the recall, precision value, true negative rate (TNR), G-mean1, G-mean2, f-measure, and classification accuracy have been used. The results have shown that the best attribute weighting method was the subtractive clustering based attribute weighting with respect to classification performance in the classification of three used datasets.     

逍遥丸的模糊聚类分析

目的探讨中药方剂的配伍规律。方法利用模糊聚类方法对逍遥丸中药物的配伍规律进行分析。结果基于方剂中药物的模糊相似关系探讨逍遥丸的配伍规律,得到与传统中医理论基本一致的结论。结论用模糊分析对中药方剂进行研究是可行、有效和合理的,为组建新方剂提供了启发和思路。     

带传动多目标优化设计的贴近度解法

拟订了带传动多目标优化设计的数学模型。采用正态模糊分布，将理想解和非劣解转化为目标函数值空间上的模糊子集，藉助于贴近度方法，从非劣解中找出了最贴近理想的最优解。     

一种改进的基于模糊案例推理方法及其在分类中的应用

针对基于特征权值的相似性模型在相似案例搜索上的局限性,通过汲取模糊规则在捕获领域知识上的有效性和灵活性,提出了一种改进的基于模糊案例推理方法。首先通过确定特征变量取值区间及对特征区间的模糊划分,直接从数据中学习规则;然后计算启动强度并合并规则得到分类器;最后通过计算类别强度,实现对未知案例的分类。3组UCI标准数据集上的实验结果表明,此方法不仅学习时间短,而且可以利用更少的样本获得更好的分类效果。     

基于集成模式的多参数综合智能故障诊断

基于产生式规则，事例，模糊诊断，神经网络集成模式，提出了多参数综合智能故障诊断方法，分析了多种诊断方法集成的必要性，以及该方法的知识表示，智能推理诊断及知识学习，应用结果表明这一多参数综合智能故障诊断的方法在实际工程中是行之有效的。     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。     

元素填入式MIS子系统划分方法

ＭＩＳ子系统划分问题以往主要采用ＢＳＰ法的Ｕ／Ｃ矩阵与模糊理论的聚类分析，划分结果的评判含有较多的经验成分。本文提出一种元素填入式的ＭＩＳ子系统划分新方法。以综合考虑子系统内与子系统间耦合程度的系统耦合比为评判标准，在所有可能的子系统划分方案中选定最佳划分。在实际应用中该方法已取得了理想的效果。     

Breast Cancer Classification Based on Advanced Multi Dimensional Fuzzy Neural Network

Breast cancer is the cause of the most common cancer death in women. Early detection of the breast cancer is an effective method to reduce mortality. Fuzzy Neural Networks (FNN) comprises an integration of the merits of neural and fuzzy approaches, enabling one to build more intelligent decision-making systems. But increasing the number of inputs causes exponential growth in the number of parameters in Fuzzy Neural Networks (FNN) and computational complexity increases accordingly. This phenomenon is named as ??curse of dimensionality??. The Hierarchical Fuzzy Neural Network (HFNN) and the Fuzzy Gaussian Potential Neural Network (FGPNN) are utilized to deal this problem. In this study, the HFNN and FGPNN by using new training algorithm, are applied to the Wisconsin Breast Cancer Database to classify breast cancer into two groups; benign and malignant lesions. The HFNN consists of hierarchically connected low-dimensional fuzzy neural networks. It can use fewer rules and parameters to model nonlinear system. Moreover, the FGPNN consists of Gaussian Potential Function (GPF) used in the antecedent as the membership function. When the number of inputs increases in FGPNN, the number of fuzzy rules does not increase. The performance of HFNN and FGPNN are evaluated and compared with FNN. Simulation results show the effectiveness of these methods even with less rules and parameters in performance result. These methods maintain the accuracy of original fuzzy neural system and have high interpretability by human in diagnosis of breast cancer.