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。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具，它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果，即生成大量小的封闭区域，使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案，首先为每个分水岭区域定义特征量，然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度，进而计算所有分水岭区域的模糊等价矩形，最终形成图像的多级分割结果。本文对多种类型的图像进行了实验．     

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。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具,它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果,即生成大量小的封闭区域,使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案,首先为每个分水岭区域定义特征量,然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度,进而计算所有分水岭区域的模糊等价矩形,最终形成图像的多级分割结果。本文对多种类型的图像进行了实验。     

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。     

基于模糊聚类-模糊模式识别的复合材料高温机械性能评价

将模糊聚类和模糊模式识别相结合的识别方法应用于具有多模糊特征变量的复合材料高温机械性能的识别中.对给定特征的复合材料进行模糊分类,建立群体模式.通过模糊模式识别在模式库中对检验样本进行匹配,实现对未知材料的聚类识别.结果表明:对于多因子相关的复合材料性能,两种方法的结合是有效可行的,可以满足经济性和准确性的要求.     

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。     

基于模糊C均值聚类算法的模糊时间序列分析在戊肝发病率预测中的应用初探

目的 探讨基于模糊C均值聚类（fuzzy c-means clustering,FCM）算法的模糊时间序列分析在戊肝发病率预测中的应用价值。方法 采用基于FCM算法的模糊时间序列分析方法,对2004年1月至2014年7月我国内地法定报告的戊肝逐月发病率资料建立预测模型,并对2014年8 ～12月的相应数据进行预测,并将预测结果与经典模糊时间模型预测结果进行比较。结果 基于FCM算法的模糊时间序列模型的拟合均方误差（MSE）为0.001 1,预测MSE为6.977 5×10^-4;而经典模糊时间序列模型的两个MSE分别为0.001 7和0.001 4。可见,基于FCM算法的模糊时间序列分析相对于经典模型,有较好的预测能力。结论 基于FCM算法的模糊时间序列分析对于戊肝等传染病发病率的预测具有较好的应用价值。     

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QPSO的PID神经网络控制算法及其仿真

PID神经元网络控制算法具有较好的动态和稳态性能、很强的解耦能力和抗干扰能力,适用于非线性多变量耦合系统的解耦控制。在对PID神经元网络控制算法研究的基础上,提出了基于量子粒子群权值修正多变量PID神经元网络控制算法。仿真实验结果表明,该算法解耦控制效果好,具有较强的抗干扰能力。     

基于模糊神经网络的工况区域识别方法

以模糊集合和模糊神经网络为基础，提出了一种新的工况区域识别方法，并以工业生产过程中常见的精馏过程为例，进行了仿真，证实了该方法的有效性。     

基于分簇的动态协同算法在无线传感器网络中的应用

为降低无线传感器网络中的能量开销,减少存储和网络资源,采用了一种新的信息融合机制。根据目标的当前地理位置,将无线传感器网络中的节点动态分簇,建立分布式的跟踪机制。利用一种基于信息矩阵加权的卡尔曼算法在该机制下进行目标跟踪,与无分簇机制下的信息矩阵融合算法进行性能比较,仿真实验结果表明该方法具有较高的有效性和可靠性。同时,在网络存在丢包情况下,基于Grubbs准则进行改进,能有效地提高精度。     

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.     

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统.该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器.通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值.理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关键问题。根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模。该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果。应用结果表明：该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要。