信息融合方法是减少决策不确定性的有效途径和热点问题.本文研究模糊积分信息融合方法中的重要问题-模糊密度的确定方法,对其中两种典型的确定方法进行了细致的比较研究.基于公开而有效的13个UCI标准数据集,进行了成员分类器选择实验、...信息融合方法是减少决策不确定性的有效途径和热点问题.本文研究模糊积分信息融合方法中的重要问题-模糊密度的确定方法,对其中两种典型的确定方法进行了细致的比较研究.基于公开而有效的13个UCI标准数据集,进行了成员分类器选择实验、不同融合方法比较实验等,并采用了描述分析、秩次分析、探测性显著性分析,最后与文献[4]中最优单分类器、文献[5]中Bagging,Boosting and random forests的最优融合结果进行了对比.结果显示,基于可能度的模糊积分方法优于基于可信度的模糊积分方法、优于文献[5]中最优融合结果;基于可信度的模糊积分方法与文献[5]中最优融合结果总体相当,优于简单平均融合方法,也优于文献[4]中最优单分类器.展开更多
针对传统模糊C-均值聚类算法(FCM算法)初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法(Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法)。该算法通过计算样本...针对传统模糊C-均值聚类算法(FCM算法)初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法(Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法)。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。展开更多
文摘信息融合方法是减少决策不确定性的有效途径和热点问题.本文研究模糊积分信息融合方法中的重要问题-模糊密度的确定方法,对其中两种典型的确定方法进行了细致的比较研究.基于公开而有效的13个UCI标准数据集,进行了成员分类器选择实验、不同融合方法比较实验等,并采用了描述分析、秩次分析、探测性显著性分析,最后与文献[4]中最优单分类器、文献[5]中Bagging,Boosting and random forests的最优融合结果进行了对比.结果显示,基于可能度的模糊积分方法优于基于可信度的模糊积分方法、优于文献[5]中最优融合结果;基于可信度的模糊积分方法与文献[5]中最优融合结果总体相当,优于简单平均融合方法,也优于文献[4]中最优单分类器.
文摘针对传统模糊C-均值聚类算法(FCM算法)初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法(Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法)。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。
