A clustering based method to complete frame of discernment

When the existing information does not contain all categories, the Generalized Evidence Theory (GET) can deal with information fusion. However, the question of how to determine the number of categories through GET is still intriguing. To address this question, a modified k-means clustering, named centers initialized clustering is proposed, filling the gap of identification and complement of the frame of discernment. Based on this clustering method, the number of categories is determined. The initialized centers selected by center density keep the cluster results constant, enhancing the stability of clustering results. Besides, constructing Generalized basic Probability Assignment (GBPA) modules in a conservative way improves the reliability of the results. The mass of empty set in combined GBPAs is the indicator of the number of categories. Experiments on real and artificial data sets are conducted to show the effectiveness.     

区域间分工、特色产业集聚与经济增长收敛——来自“义乌商圈”的证据

以“义乌商圈”为对象,利用“义乌商圈”核心层8个区域1996-2005年的相关数据进行的分析和计算结果表明：在不同区域共享一个大规模市场的条件下,由于市场不断拓展所产生的投资协同以及由此引致的规模报酬递增,各区域基于各自的比较利益更容易围绕市场形成有效的分工。在市场拓展和区域分工的相互作用之下,随着市场所在地产业的向外转移和扩散,区域间的经济会向收敛的方向发展。     

基于 FRFT的多分量对称三角 LFMCW 信号检测

对称三角线性调频连续波（STLFMCW）信号是一种典型的低截获概率雷达信号。提出一种基于分数阶 Fourier变换（FRFT ）的聚类分析与“逐次消去”相结合的多分量STLFMCW信号检测方法。首先把多分量STLFMCW信号变换到FRFT 域,利用聚类分析法实现对最强信号的检测,然后利用“逐次消去”法实现对其它信号的检测,直至检测到所有信号。最后,仿真验证了该方法的有效性。     

用一种改进的蚁群聚类算法进行网络入侵检测

针对蚁群聚类算法在聚类结果中出现部分数据划分不够准确的问题,提出蚁群聚类改进算法。对已有蚁群聚类算法的结果簇做调整,从而得到更好的聚类结果。使用KDD Cup1999入侵检测数据集所作的实验结果表明,聚类效果改进明显,入侵检测率有所提高。     

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

模糊推理在直升机模型辨识中的应用(英文)

直升机控制系统的设计、飞行模拟器的研制及计算机实时仿真都离不开直升机数学模型 ,但是建立可靠而且准确的直升机飞行动力学模型是十分困难的 ,而且也很难保证动力学模型计算的快速性、可靠性与实时性。本文基于模糊推理技术 ,根据飞行试验数据辨识了直升机飞行模型 ,可以在一定程度上保证所辨识模型的简单、准确与计算的实时性。为了提高模糊模型的精度 ,文中采用了一种新方法来处理矛盾规则。本文利用模糊聚类分析的方法对海量的试验样本数据进行处理 ,有效地减少了辨识模型的规则数量。最后的仿真辨识结果表明 ,辨识效果合理 ,方法可行。     

改进的遥感卫星成像任务单轨最优团划分聚类方法

针对遥感卫星成像任务规划时对点目标的聚类效果不佳的问题,提出了一种改进的单轨最优团划分聚类方法。根据聚类约束条件,构建任务聚类图模型,并为图模型中的每一条边赋权值;根据图模型中边的权值,构建权值矩阵P;以卫星单轨姿态机动的最大次数作为聚类任务的数量限制,由P依次计算每个聚类任务所有可能的最优聚类方案,并生成对应的收益矩阵M和终点矩阵N;通过循环遍历的方式计算各个聚类方案下的总收益,其中总收益最大的方案即为最优团划分聚类方案。仿真结果表明:提出的改进的团划分聚类方法,能将点目标有效聚类,与传统任务聚类方法相比,可明显提高遥感卫星对点目标的观测效率。研究结果可为我国遥感卫星自主任务规划技术研究提供参考。     

联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

基于信息理论的网络文本组合聚类

尽管近年来针对文本聚类问题进行了大量研究,其仍然是数据挖掘领域的一个富有挑战性的问题,特别在弱相关特征乃至噪声特征的处理上,仍然存在诸多挑战。针对这一问题提出了文本聚类的分解-组合算法框架——DIAS。该方法首先通过简单随机特征抽样将高维文本数据进行分解得到多样化的结构知识,其优点是能够较好地避免产生大量的噪声特征。然后采用基于信息理论的一致性聚类（ICC）将多视角基础聚类知识组合起来,得到高质量的一致性划分。最后通过在8个真实文本数据集上的实验,证明DIAS算法相较于其他被广泛使用的算法具有明显优势,特别在处理弱基础聚类上具有突出效果。由于在分布式计算上的天然优势,DIAS有望成为大规模文本聚类的主流算法。      

基于改进模糊c-均值数据预处理方法的研究

在数据预处理过程中模糊c-均值对初值的设定非常敏感,如果初值设置不好容易陷入局部最优解。提出了用减法聚类对模糊c-均值进行初值设定的方法,并把其应用到了模糊规则的生成过程中,通过实验可知应用此种方法不但可以得到全局最优解,加快收敛速度而且不必事先给定聚类个数,所以这是一种行之有效的数据预处理方法。