一个自动确定聚类数目的微粒群算法

提出了一个微粒群优化算法(autoPSO)自动聚类高维数据。autoPSO优化了Davies-Bouldin(DB)有效性函数,并将聚类问题转化为一个界约束的连续函数的优化问题。用一个实数矩阵和一个二进制向量来表示微粒,使得同一迭代中能够表示具有不同聚类数目的划分;并且,在二进制向量的控制下指导相关联的实数矩阵交叉操作,保持算法良好的种群多样性,避免算法早熟收敛。通过高维模拟数据集的实验结果表明,本文算法不需要预设聚类数目k,能够自动正确识别高维数据的聚类。     

基于混沌振荡粒子群优化的FCM文本聚类方法

针对模糊C均值聚类算法易于陷入局部极值的问题,设计了一种基于混沌振荡粒子群优化的模糊C均值聚类方法。该方法在标准PSO算法中设计了一个振荡环节并引入混沌理论以增加算法的多样性和收敛性,接着把优化后的PSO算法和模糊C均值聚类算法相结合。文本聚类的仿真实验表明,相对于PSO-FCM算法和FCM算法,CCPSO-FCM算法具有良好的全局搜索能力和收敛速度,聚类效果良好。     

关于模糊C-均值（FCM）聚类算法的改进

对模糊C-均值聚类算法的改进,即在原有的模糊C-均值算法的基础上,用一种新的定义距离的方法替代欧氏空间中距离的定义,改进模糊聚类算法。并且用数据仿真验证这种改进的模糊聚类算法与原来算法相比,聚类效果更好,分类更清晰。     

一种新的PSO优化FCM方法在图像分类中的应用

利用粒子群优化算法(PSO)强大的全局搜索能力,提出了用PSO算法优化FCM聚类中心的方法,有效地避免了传统的FCM由于初始值及噪声的影响,容易陷入局部最优的不足,同时图像分割的效果得到了提高,性能比传统的FCM方法更加稳定。实验结果表明,该方法在图像分类中的应用效果较好。     

k-means融合FCM算法聚类研究

k-means融合FCM算法执行聚类过程,是在k-means算法完成聚类后,以其聚类结果作为FCM算法执行的初值,并通过FCM算法的执行完成。从结果分析可以看出,该算法聚类的效果比单纯使用FCM算法好,能够减少FCM算法循环体迭代运行次数并增强算法的鲁棒能力。     

基于模糊C均值聚类的嵌入式数据库并行推荐算法

嵌入式网络数据库优化访问的关键是对访问目标数据的准确推荐和挖掘,以实现数据的准确检索。提出一种基于模糊C均值聚类的嵌入式数据库并行推荐算法,构建嵌入式数据的数据结构模型,进行数据信息流属性集特征提取。采用模糊C均值聚类算法实现属性分类,以此实现嵌入式数据的库并行推荐和挖掘。仿真结果表明,采用该算法进行数据库访问,精度较高,执行时间较短,性能优越。     

分簇竞争PSO测试用例自动生成算法

测试用例自动生成是软件测试过程中的一个关键环节。为解决因集簇特性而导致PSO测试用例生成算法计算资源浪费的问题,提出了分簇竞争PSO测试用例生成算法（CTCC PSO）,采用“集簇度”指标对算法进行量化和分析,并通过实验证明新算法的有效性。CTCC PSO算法包括“集簇度量化”与“簇中用例竞争约简”两个重要过程,根据“集簇度”动态地驱动簇内测试用例进行竞争,从而有效地提升测试用例生成效率。实验结果表明,CTCC PSO算法在不失鲁棒性的前提下,与基本PSO测试用例生成算法相比,能够有效减少测试迭代规模,同时显著减少参与计算的测试用例总量。     

改进的遗传模糊混合聚类算法

本文对模糊C-均值（FCM）与遗传算法相结合的混合聚类算法进行了研究,针对遗传算法部分的染色体编码、种群初始化、个体适应度函数、遗传算子以及遗传参数设置等问题,给出了一种新的设计方法,进而得到了一个改进的遗传模糊混合聚类算法（HGFA）,并用MATLAB进行了仿真试验．结果表明该算法不但提高了收敛速度,而且聚类质量也有明显改善．     

基于多混沌PSO和Snake模型的图像分割算法

针对分割图像目标是无法提取目标的真实边缘且实时性不佳,引入混沌系统改进的PSO(简化粒子群算法)提取出的目标边缘作为Snake模型分割的起始位置,优化能量函数后分割出精准目标.实验表明:对图像目标进行分割的时间减少且精准度也提高了。     

模糊C—均值聚类算法在客户满意度分析中的应用

客户是企业的重要资源和宝贵财富,是企业赖以生存和发展的基础。了解客户的需求,提升客户的满意度,成为众多企业关注的焦点。以某宾馆客户满意度分析为例,使用模糊C—均值聚类算法对客户满意度进行分析发现,客户最关心的是地理位置、服务态度、客房设施和员工素质等因素;较为关注前台服务、环境绿化、安全设施、客房服务、停车设施等因素;不太关注娱乐设施、周边环境、餐厅服务等因素;不关注会议设施和商务服务等因素。     

基于层次的模糊K均值聚类算法研究

通过对K均值聚类算法的研究,本文提出了一种基于层次聚类与模糊聚类思想的K均值聚类算法。算法首先使用层次方法对数据进行初始聚类,然后用得到的聚类数作为模糊K均值聚类中的K值,对聚类进行修正。最后通过实验,验证了该算法不需要人为假设聚类算法中的K值,而且引入了模糊隶属关系使类别的划分更接近于事实,从而证明了该算法的有效性。     

基于极值组合的分段PSO算法改进

本文根据极值组合原理,结合粒子群(PSO)算法的本身特性,提出一种基于极值组合的分段PSO算法DPSOE(Division Particle Swarm Opti mum Base on Extremum Element As-sembling),并通过实验证明这种算法在函数优化时能有效避免陷入局部最小,且算法效率较高。     

基于模糊C均值聚类的中药材鉴别研究

以中药材的中红外光谱数据为聚类分析对象,通过提取影响药材类别的关键特征波数,采用主成分分析结合模糊C均值聚类建立了中药材的鉴别模型。该模型可实现对中药材样本数据的快速鉴别,为中药材鉴别问题的研究提供借鉴。     

基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。     

基于PSO优化的模糊自适应PID算法在照明控制系统中的应用

日光具有时变性及易干扰性,为使日光得到充分合理的利用,实现智能照明系统更有效的控制,提出一种基于粒子群算法（PSO）优化的模糊自适应PID算法,通过PSO算法得到最优PID初始参数,并利用模糊规则对参数进行自适应修正。仿真结果表明,与普通PID算法相比,该算法在最优化初始参数的基础上,上升时间、超调量和稳态时间等指标均得到明显的改善,增强了系统的响应性、稳定性和鲁棒性,具有良好的应用前景。     

基于Lab色彩模型的FCM图像分割研究

为了解决彩色图像的准确分割问题,研究了不同颜色模型特别是Lab模型对彩色图像分割效果的影响。将同一彩色图像转换到不同颜色模型下,并使用传统模糊C均值聚类图像分割算法对其进行分割处理。通过对多幅彩色图像进行分割实验,结果表明,虽然Lab颜色模型在数字图像处理中使用广泛程度不及RGB颜色模型,但在该模型下处理MSRA_10K彩色图像数据集时的图像分割效果整体优于RGB颜色模型。     

一种改进的基于粒子群的离线聚类算法

为了解决K-means算法中对于初值的敏感,提出了一种基于粒子群的改进的K-means聚类算法(IPSOFCM).在K-means算法中引入粒子群算法,可有效提高算法的全局搜索能力,有助于粒子更容易跳出局部束缚.实验结果证明,IPSOFCM算法聚类准确度高,稳定性好.     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

一种改进的权均值粒子群优化算法

针对粒子群优化算法的早熟收敛和进化后期收敛速度慢等问题,提出了权均值粒子群优化算法。通过在"认知"部分和"社会"部分加入随机权值更新粒子的飞行速度,使粒子能够很快地收敛到全局最优点。典型函数的仿真结果表明,该算法不仅具有较好的全局收敛性能和较快的收敛速度,而且有效地避免了早熟收敛问题。     

改进 K 均值聚类的不平衡数据欠采样算法

传统欠采样方法在处理不平衡数据问题时只考虑多数类样本的绝对位置而忽略了其相对位置,从而使产生的平衡数据集存在边界模糊问题。提出一种改进 K 均值聚类的不平衡数据欠采样算法（UD-PK）。该算法首先利用改进的 PSO 算法迭代寻找全局最优解作为 K-means 聚类所需初始值,然后通过 K-means 进行聚类,再按照每个类别中多数类与少数类的比例定义所取多数类样本个数,并根据多数类样本与簇心距离择优选择参与平衡数据集构造。在 UCI 数据集上的对比试验表明,该算法在少数类准确率上较一些经典算法有很大提升。