模糊聚類的案例
『分享』申請兌換《模糊聚類分析及其應(yīng)用》
模糊聚類分析及其應(yīng)用/現(xiàn)代電子信息工程理論與技術(shù)叢書
· 作者：高新波 著
· 出版社：西安電子科技大學(xué)出版社
· 出版日期：
2004-1-1
· ISBN：7560613012
· 字數(shù)：323000
· 印次：1
· 版次：1
· 紙張：膠版紙
定價：21 元
當當價：16.6 元
展開 266 基于matlab的FCM+KFCM模糊C均值聚類分析算法 ￥25.9
基于matlab的FCM+KFCM模糊C均值聚類分析算法，輸入分割對象，對分割對象進行參數(shù)設(shè)置，包括分割類別數(shù)，核參數(shù)。輸出分割結(jié)果。具有GUI操作界面。程序已調(diào)通，可直接運行。
《機械設(shè)備非平穩(wěn)信號的故障診斷原理及應(yīng)用》
闡明信號小波變換后的再處理技術(shù)——小波包自回歸譜分析、小波包分解頻帶能量監(jiān)測、小波分形分析、諧波小波軸心軌跡法、基因小波分析、小波包模糊聚類神經(jīng)網(wǎng)絡(luò)，以及實現(xiàn)這些方法和技術(shù)的機械設(shè)備在線監(jiān)測診斷網(wǎng)絡(luò)系統(tǒng)。列舉了這些方法在工礦企業(yè)機械設(shè)備監(jiān)測診斷中的應(yīng)用實例。 本書取材先進，實用性強，可供從事機械設(shè)備狀態(tài)監(jiān)測與故障診斷、設(shè)備管理與維護的廣大科技人員使用和參考，也適合作高等院校機械、能源、動力等專業(yè)的高年級本科生、研究生的教材或參考書。
機械設(shè)備非平穩(wěn)信號的故障診斷原理及應(yīng)用
闡明信號小波變換后的再處理技術(shù)——小波包自回歸譜分析、小波包分解頻帶能量監(jiān)測、小波分形分析、諧波小波軸心軌跡法、基因小波分析、小波包模糊聚類神經(jīng)網(wǎng)絡(luò)，以及實現(xiàn)這些方法和技術(shù)的機械設(shè)備在線監(jiān)測診斷網(wǎng)絡(luò)系統(tǒng)。列舉了這些方法在工礦企業(yè)機械設(shè)備監(jiān)測診斷中的應(yīng)用實例。 本書取材先進，實用性強，可供從事機械設(shè)備狀態(tài)監(jiān)測與故障診斷、設(shè)備管理與維護的廣大科技人員使用和參考，也適合作高等院校機械、能源、動力等專業(yè)的高年級本科生、研究生的教材或參考書。
《模糊數(shù)學(xué)基礎(chǔ)及實用算法（附CD-ROM一張）》
目錄：
第1章 普通集合和模糊集合
1.1 普通集合
1.1.1 普通集合表示法
1.1.2 普通集合運算
1.1.3 關(guān)系
1.1.4 映射和特征函數(shù)
1.2 模糊集合
1.2.1 模糊集合隸屬函數(shù)
1.2.2 模糊集合表示法
1.2.3 模糊集合運算
1.2.4 *水平截集
1.2.5 分解定理和擴張原理
1.3 小結(jié)
第2章 隸屬函數(shù)
2.1 模糊統(tǒng)計法
2.1.1 概率與隸屬度
2.1.2 用概率統(tǒng)計確定隸屬函數(shù)
2.1.3 概率統(tǒng)計確定隸屬函數(shù)
2.2 二元對比排序法
2.2.1 相對比較法
2.2.2 擇優(yōu)比較法
2.2.3 對比平均法
2.2.4 優(yōu)先關(guān)系排序法
2.2.5 由模糊優(yōu)先關(guān)系矩陣隸屬函數(shù)
2.2.6 將定性順序變換成隸屬函數(shù)
2.2.7 隸屬函數(shù)算法
2.3 模糊分布
2.3.1 常見模糊分布
2.3.2 模糊分布的應(yīng)用
2.3.3 “指派”模糊分布算法
2.3.4 “擬臺”模糊分布算法
2.4 小結(jié)
第3章 模糊關(guān)系
3.1 從普通關(guān)系到模糊關(guān)系
3.2 模糊關(guān)系運算
3.3 模糊關(guān)系合成
3.4 小結(jié)
第4章 數(shù)據(jù)文件
4.1 數(shù)據(jù)文件的“新建”程序
4.2 數(shù)據(jù)文件的“編輯”程序
4.3 窗體和控件
4.4 命令按鈕和單選鈕
4.5 文本框和標簽
4.6 控件數(shù)組
4.7 網(wǎng)格
4.8 MsgBox函數(shù)和語句
4.9 順序文件
4.10 文件控件和公共對話框
4.11 小結(jié)
第5章 模糊聚類分析
第6章 模糊模型識別
第8章 模糊綜合評判
第9章 模糊物元分析
第10章 數(shù)據(jù)庫
第11章 程序集成
參考文獻
編輯推薦：
本書主要特點：
深入淺出，循序漸進，大量的算例可以快速掌握算法并加深理解，提供可運行的源程序作為二次開發(fā)素材。
入門學(xué)者的自學(xué)通，專業(yè)人士的備忘錄，科技人員的進階梯。
展開 243 基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(shù)(FCM_S) ￥19.89
基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(shù)(FCM_S),廣義的模糊C均值(GFCM)算法，基于核的改進的模糊c均值聚類算法（KFCM）,基于核的廣義模糊c均值聚類算法KGFCM的圖像分割方法。程序已調(diào)通，可直接運行。
模糊數(shù)學(xué)基礎(chǔ)及實用算法
作者簡介：
目錄：
第1章 普通集合和模糊集合
1.1 普通集合
1.1.1 普通集合表示法
1.1.2 普通集合運算
1.1.3 關(guān)系
1.1.4 映射和特征函數(shù)
1.2 模糊集合
1.2.1 模糊集合隸屬函數(shù)
1.2.2 模糊集合表示法
1.2.3 模糊集合運算
1.2.4 *水平截集
1.2.5 分解定理和擴張原理
1.3 小結(jié)
第2章 隸屬函數(shù)
2.1 模糊統(tǒng)計法
2.1.1 概率與隸屬度
2.1.2 用概率統(tǒng)計確定隸屬函數(shù)
2.1.3 概率統(tǒng)計確定隸屬函數(shù)
2.2 二元對比排序法
2.2.1 相對比較法
2.2.2 擇優(yōu)比較法
2.2.3 對比平均法
2.2.4 優(yōu)先關(guān)系排序法
2.2.5 由模糊優(yōu)先關(guān)系矩陣隸屬函數(shù)
2.2.6 將定性順序變換成隸屬函數(shù)
2.2.7 隸屬函數(shù)算法
2.3 模糊分布
2.3.1 常見模糊分布
2.3.2 模糊分布的應(yīng)用
2.3.3 “指派”模糊分布算法
2.3.4 “擬臺”模糊分布算法
2.4 小結(jié)
第3章 模糊關(guān)系
3.1 從普通關(guān)系到模糊關(guān)系
3.2 模糊關(guān)系運算
3.3 模糊關(guān)系合成
3.4 小結(jié)
第4章 數(shù)據(jù)文件
4.1 數(shù)據(jù)文件的“新建”程序
4.2 數(shù)據(jù)文件的“編輯”程序
4.3 窗體和控件
4.4 命令按鈕和單選鈕
4.5 文本框和標簽
4.6 控件數(shù)組
4.7 網(wǎng)格
4.8 MsgBox函數(shù)和語句
4.9 順序文件
4.10 文件控件和公共對話框
4.11 小結(jié)
第5章 模糊聚類分析
第6章 模糊模型識別
第8章 模糊綜合評判
第9章 模糊物元分析
第10章 數(shù)據(jù)庫
第11章 程序集成
參考文獻
展開 《設(shè)備故障診斷(普通高等教育十五國家級規(guī)劃教材)》
349
821模糊集合的基本概念349
822隸屬函數(shù)349
823模糊診斷矩陣353
824故障診斷的模糊聚類分析355
825模糊理論在汽輪發(fā)電機故障診斷中的應(yīng)用358
83神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用362
831神經(jīng)網(wǎng)絡(luò)的基本組成362
832前饋神經(jīng)網(wǎng)絡(luò)365
833BP神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械故障診斷中的應(yīng)用366
參考文獻368
申請兌換《設(shè)備故障診斷(普通高等教育十五國家級規(guī)劃教材)》
349
821模糊集合的基本概念349
822隸屬函數(shù)349
823模糊診斷矩陣353
824故障診斷的模糊聚類分析355
825模糊理論在汽輪發(fā)電機故障診斷中的應(yīng)用358
83神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用362
831神經(jīng)網(wǎng)絡(luò)的基本組成362
832前饋神經(jīng)網(wǎng)絡(luò)365
833BP神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械故障診斷中的應(yīng)用366
參考文獻368
基于遺傳模擬退火算法的聚類算法-matlab
源碼如下： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %功能：遺傳模擬優(yōu)化初始聚類中心示例 %環(huán)境：Win7，Matlab2015b %Modi: C.S %時間：2022-07-09 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 清空環(huán)境 clc clear all close all tic load X m=size(X,2);% 樣本特征維數(shù) % 中心點范圍[lb;ub] lb=min(X); ub=max(X); %% 模糊C均值聚類參數(shù) % 設(shè)置冪指數(shù)為3，最大迭代次數(shù)為20，目標函數(shù)的終止容限為1e-6 options=[3,20,1e-6]; % 類別數(shù)cn cn=4; %% 模擬退火算法參數(shù) q =0.8; % 冷卻系數(shù) T0=100; % 初始溫度 Tend=99.999; % 終止溫度 %% 定義遺傳算法參數(shù) sizepop=10; %個體數(shù)目(Numbe of individuals) MAXGEN=100; %最大遺傳代數(shù)(Maximum number of generations) NVAR=m*cn; %變量的維數(shù) PRECI=10; %變量的二進制位數(shù)(Precision of variables) pc=0.7; pm=0.01; trace=zeros(NVAR+1,MAXGEN); %建立區(qū)域描述器(Build field descriptor) FieldD=[rep([PRECI],[1,NVAR]);rep([lb;ub],[1,cn]);rep([1;0;1;1],[1
展開 大數(shù)據(jù)智能決策.
模糊集于上世紀60 年代由Zadeh 提出,通過隸屬度函數(shù)表達模糊性概念,其本身是一種有效的不確定性信息表示與處理方法.目前模糊集方法已經(jīng)形成一整套較為完整的理論體系,包括模糊集、模糊邏輯、模糊系統(tǒng)以及它們的擴展形式[35].由于模糊集方法可以在不同信息粒度層次上對不確定性數(shù)據(jù)進行表示與處理,因此具有較強的可解釋性和可理解性.模糊集在大數(shù)據(jù)中的應(yīng)用,形成對大數(shù)據(jù)不確定性的表示與處理的有效手段.在面向大數(shù)據(jù)的聚類應(yīng)用中,模糊C-means 算法(FCM) 已經(jīng)成為一種常用的軟聚類方法.文獻[36] 將FCM 應(yīng)用于機器人觸覺感知數(shù)據(jù)的分析,解決機器人觸覺識別問題.Chang 等[37] 針對高維度數(shù)據(jù)聚類問題,提出稀疏正則化FCM 算法.Di Martino 等[38] 將FCM擴展應(yīng)用于超大型事件數(shù)據(jù)集中的熱點檢測,并進一步提出了一種時空FCM 方法,用于面向時空大數(shù)據(jù)的熱點檢測與預(yù)測問題[39].模糊規(guī)則分類系統(tǒng)廣泛地應(yīng)用于模式識別和分類任務(wù),可以為用戶提供帶有語義標簽的可解釋分類規(guī)則,降低決策失誤的風(fēng)險.Jindal 等[40] 設(shè)計了云環(huán)境下的模糊規(guī)則分類器,用于處理多源異構(gòu)的遠程醫(yī)療大數(shù)據(jù),實現(xiàn)對病人的遠程實時診斷決策.針對面向大數(shù)據(jù)的模糊分類,Segatori 等[41] 提出了基于Map Reduce 的分布式模糊決策樹(FDTs) 計算模型.模糊推理系統(tǒng)還常與神經(jīng)網(wǎng)絡(luò)相結(jié)合,以提高決策問題求解的自適應(yīng)性.在電力系統(tǒng)控制領(lǐng)域,文獻[42] 將神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)相結(jié)合,提出三種自適應(yīng)神經(jīng)模糊推理系統(tǒng),用于太陽能發(fā)電企業(yè)控制決策中的短時電力預(yù)測問題.Jindal 等[43] 針對疾病診斷決策中的分類問題,提出了用于醫(yī)療大數(shù)據(jù)維度約簡的模糊神經(jīng)分類器方法,有效提高疾病診斷準確率.更多有關(guān)模糊集在大數(shù)據(jù)決策方面的研究可以參見文獻[35].從現(xiàn)有的基于模糊集方法的大數(shù)據(jù)決策文獻來看
展開 
軍用地面無人機動平臺技術(shù)發(fā)展綜述
該算法采用雙模糊C-均值聚類方法提取野外樹木特征點,并使用擴展卡爾曼濾波進行同時定位和建立地圖[62]。Tamjidi等融合激光雷達數(shù)據(jù)和單目相機數(shù)據(jù),提出了基于單點RANSAC-擴展卡爾曼濾波方法SLAM算法,用于無人機動平臺在無GPS信號環(huán)境下的位置估計,其估計誤差小于總路徑長度的1.9%[63].Su等提出了一種結(jié)合擴展卡爾曼濾波-無跡卡爾漫濾波的無人機動平臺的SLAM算法,該方法被證明比傳統(tǒng)擴展卡爾曼濾波-SLAM算法有更高的位置精度和航向精度[64]。
3.2 運動規(guī)劃技術(shù)
可靠和數(shù)值高效的運動規(guī)劃算法是無人機動平臺導(dǎo)航技術(shù)的核心,也是體現(xiàn)無人機動平臺智能化水平的關(guān)鍵技術(shù)。單一環(huán)境下的運動規(guī)劃問題已經(jīng)很具有挑戰(zhàn)性,在復(fù)雜（城市與越野）環(huán)境下的無人機動平臺的運動規(guī)劃需要考慮更多的約束：平臺底盤的運動學(xué)、動力學(xué)約束、環(huán)境約束、擾動的操作環(huán)境、狀態(tài)空間的高度不確定性等等。與此同時,無人機動平臺通常行駛速度較高,而且需要適應(yīng)動態(tài)環(huán)境的特點要求運動規(guī)劃系統(tǒng)能夠在有限的時間里生成一條滿足運動學(xué)、動力學(xué)約束的無碰撞軌跡。從運動規(guī)劃系統(tǒng)的結(jié)構(gòu)框架來說,運動規(guī)劃算法可以分成全局運動規(guī)劃方法、局部運動規(guī)劃方法、分層式運動規(guī)劃方法。
基于計算機圖形學(xué)的全局運動規(guī)劃方法[65],由于其不可接受的計算復(fù)雜度[66],要求已知完備的環(huán)境信息、重規(guī)劃耗時等原因,不適用于解決實際應(yīng)用中帶時間約束的運動規(guī)劃問題。與全局運動規(guī)劃方法相比,局部運動規(guī)劃方法[67-68]更高效,不需要完備的環(huán)境信息,并且可以考慮車輛的非完整性約束和動力學(xué)約束,但是這種方法只使用了局部環(huán)境信息或是局部最優(yōu),極有可能使規(guī)劃算法陷入局部最小。考慮到純?nèi)趾头磻?yīng)式運動規(guī)劃方法的局限,一種分層式的運動規(guī)劃方法[13,20,69-70]被提出。
展開 