共查询到20条相似文献,搜索用时 15 毫秒
1.
一种基于遗传算法的模糊聚类算法及其与FCM算法的结合 总被引:8,自引:0,他引:8
在各种糊聚类算法中,模糊C-均值聚类算法FCM(Fuzzy C-Mean Clustering Algorithm)的应用最为广泛.但在实际的应用中,FCM算法却容易陷入局部最优解.因此,本文首先提出了一种基于遗传算法GA(Genetic Algorithm )的模糊聚类分析方法,它利用了遗传算法随机搜索的特点,可以避免陷入局部最优解.实验表明,将该遗传算法与FCM算法结合起来进行聚类分析,比单一使用遗传算法或单一使用FCM算法进行聚类分析的效果都要好. 相似文献
2.
模糊聚类算法是一种无监督的机器学习方法,能够有效地检测出网络入侵中未知的异常攻击行为,但模糊聚类算法实质上是一种迭代寻优方法,容易陷入局部最优解.因此结合遗传算法的全局搜索特性与禁忌算法的局部搜索特性,提出了一种基于遗传禁忌搜索的混合模糊聚类算法,实验表明该方法能有效避免局部最优解、得到正确的聚类结果,在KDDCUP99数据集上的实验结果表明该方法具有更高的检测率和较低的误检率. 相似文献
3.
4.
基于单亲遗传算法和模糊C—均值算法的混合聚类算法 总被引:2,自引:0,他引:2
韩斌 《华东船舶工业学院学报》2000,14(3):20-23
介绍了基于单亲遗传算法和模糊C-均值算法的混合聚类算法,克服了模糊C-均值算法的局部最优问题以及采用普通遗传算法聚类时搜索速度和聚类精度的矛盾。实际运算表明,算法是有效的。 相似文献
5.
韩斌 《江苏科技大学学报(社会科学版)》2000,14(3):20-23
介绍了基于单亲遗传算法和模糊C-均值算法的混合聚类算法,克服了模糊C-均值算法的局部最优问题以及采用普通遗传算法聚类时搜索速度和聚类精度的矛盾.实际运算表明,算法是有效的. 相似文献
6.
7.
针对当前入侵检测技术检测率较低、误报率较高,特别是难以检测新型入侵的不足,通过研究基于机器学习的异常入侵检测系统,提出了一种基于半监督模糊聚类的异常入侵检测算法SFCA(Semi-supervised Fuzzy Clustering Algorithm).算法通过加入数据之间的相关信息,同时引入代价函数来平滑目标函数,降低其对孤立点数据的敏感程度.通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程.实验表明,与FCM(Fuzzy C-means)聚类算法相比,SFCA算法具有较高的性能. 相似文献
8.
9.
针对蚕卵图像中存在的粘连或者部分重叠现象,本文提出了一种新的分离方法。该方法先采用模糊C均值聚类算法将蚕卵图像从背景中分割,然后采用模糊距离变换得到模糊距离图像,最后使用分水岭算法将粘连或者部分重叠蚕卵分离。实验证明,此法能够将粘连颗粒物图像有效分离。 相似文献
10.
11.
由于大型设备故障症状与故障原因之间关系十分复杂,使得传统诊断方法在实际应用中效果不理想。研究采用模糊C-均值聚类算法,将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行了故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,充分证明了该方法的有效性。 相似文献
12.
基于模糊聚类的数据关联融合算法 总被引:4,自引:1,他引:3
利用模糊相似性和模糊C均值聚类算法相结合,提出一种求解多传感器多目标跟踪数据关联问题的方法。该方法的目的是实现多传感器观测数据的模糊聚类,使源于不同目标的观测数据能正确划分到该目标中去。仿真结果表明,该算法可以实现数据与目标的正确关联,克服传统硬判断的一些缺点。 相似文献
13.
14.
15.
16.
陆虎 《江苏科技大学学报(社会科学版)》2008,22(2):67-70
针对入侵检测数据集中存在大量冗余信息及传统聚类算法的效果不佳,提出了结合主成分分析与属性权重模糊聚类算法的入侵检测方法。该方法分为特征提取和模糊聚类两阶段,使用主成分分析进行特征提取、消除冗余属性;将经主成分分析后得到新成分的贡献率作为聚类算法中属性的权重值,实现了基于属性权重的模糊聚类。在KDD-CUP99数据集中的实验结果表明,该方法能有效地降低检测训练时间和提高检测正确率。 相似文献
17.
基于模糊聚类的数据关联融合算法 总被引:1,自引:0,他引:1
利用模糊相似性和模糊C均值聚类算法相结合,提出一种求解多传感器多目标跟踪数据关联问题的方法.该方法的目的是实现多传感器观测数据的模糊聚类,使源于不同目标的观测数据能正确划分到该目标中去.仿真结果表明,该算法可以实现数据与目标的正确关联,克服传统硬判断的一些缺点. 相似文献
18.
19.
通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。 相似文献