基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

RBF神经网络在边坡岩体稳定性中的预测研究

简要分析RBF网络的结构特点及最近邻聚类学习算法之后，以大量边坡工程的稳定状况为学习训练样本及预测样本，建立了预报模型．讨论了基于RBF神经网络技术的边坡岩体稳定性分析方法及其有效性．研究表明，用RBF神经网络方法预测边坡岩体的稳定状况是可行的．     

基于改进OLS算法的RBF神经网络 高速公路事件探测

提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法,同时改进了用于RBF神经网络训练的Oils(正交最小二乘)选择算法.仿真实验证明,改进的OLS选择算法大大提高了RBF神经网络的训练速度同时具有无须事先确定RBF中心的优点,将之运用于公路事件探测可以获得满意的性能.     

基于摄动思想的传递闭包聚类法的分析与应用

分析了传统的模糊聚类方法,基于摄动思想,将传递闭包聚类法与目标函数法相结合,得出了一种既满足聚类效果要求又减小聚类失真的简便算法,同时给出了该聚类方法的步骤.最后通过对水体的水质进行聚类的例子对算法加以应用,显示了算法的可靠性、有效性.     

基于灰色关联分析和SOM-RBF神经网络的高速公路交通量预测方法研究

本文选取两段高速公路交通量相关数据作为样本,基于聚类算法改进RBF神经网络对交通量进行预测,考虑影响因素的复杂多样,其中对云南元磨高速普洱段数据建立灰色关联分析,得到选取的特征影响因素的关联度大小,其中普洱市总人口数关联度最小为0.5532。随后引入自组织特征映射神经网络(SOM)构建聚类模型。采用先聚类分析、再分别预测的思路,解决了由于RBF神经网络对于少量样本和训练样本点分散所引起的预测精度降低的问题,改进的神经网络泛化能力有所提高,结果表明:SOM-RBF组合算法对元磨高速交通量进行预测,其相对误差维持在6%以下,平均相对误差为3.81%,预测效果较BP神经网络和RBF神经网络有较大的提升。通过两段高速公路的实例分析,验证了SOM-RBF组合算法有良好的预测效果和适用性,可有效的用于交通量预测,具有较高的实用价值。     

基于粗约简的数据流增量聚类算法

针对数据流聚类算法CluStream需预先指定微聚类数目无法准确描述数据流的变化,进而影响最终聚类结果的缺陷,提出了基于粗约简的数据流增量聚类算法RICStream(rough incremental clustering stream).该算法在保证聚类精度的前提下,对参与聚类的数据流属性进行动态调整,有效地减少了聚类时间和计算量.提出了一种可增量调整的网格结构以存储数据流,保证了聚类结果能有效反映数据流的变化情况.基于真实数据集和仿真数据集的实验结果表明,RICStream算法具有较高的效率和聚类精度.     

一种有效的数据流二次聚类算法

为提高数据分布不规则和含有噪音时的数据流聚类质量,提出了一种有效的数据流二次聚类算法TCLUSA.该算法基于分区思想,采用DBSCAN方法对每块分区进行聚类,以得到的簇的均值点作为其代表点,再用k-means对所获得的代表点进行聚类,算法采用分层结构保存每次聚类获得的簇参考点,直至获得最终结果.理论分析和实验结果表明,TCLUSA算法能有效提高数据流的聚类质量.     

快速查找初始聚类中心的K_means算法

传统的k_means算法对初始聚类中心十分敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优.为消除这种敏感性,针对k_means算法,提出了一种新的基于数据样本分布选取初始聚类中心的方法,对公共数据库UCI里面的数据实验表明改进后的k_means算法能产生质量较高的聚类结果,并且消除了对初始输入的敏感性.     

基于特征匹配和分箱技术的FCM算法研究

在基于聚类分析算法的入侵检测技术中,聚类的划分方法直接影响入侵检测的检测率。文章在基于分箱统计的HCM算法研究的基础上,针对模糊C-均值(FCM)算法的局限性,设计出一种改进的FCM算法。实验表明该算法比已有的FCM算法在对聚类的划分情况又有所改善,从而能提高检测率,且能较好地发现新的攻击类型。     

基于DENCLUE聚类算法的交通事故多发点鉴别方法

针对目前交通事故多发点鉴别常用方法存在的问题,引入了DENCLUE聚类算法用于事故多发点鉴别。对DENCLUE聚类算法的基本原理,基本定义及计算步骤进行了阐述,重点分析了该算法用于事故多发点鉴别的可行性。实例计算结果表明：与传统事故多发点鉴别法方法相比,该算法能有效的避免对排查位置进行事先划分,实现任意长度聚类;同时,在事故数据小样本的情况下,能充分凸显道路沿线的危险性,可以有效地应用于事故多发点鉴别的研究。