CN109242026A - 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 - Google Patents

一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 Download PDF

Info

Publication number
CN109242026A
CN109242026A CN201811080424.8A CN201811080424A CN109242026A CN 109242026 A CN109242026 A CN 109242026A CN 201811080424 A CN201811080424 A CN 201811080424A CN 109242026 A CN109242026 A CN 109242026A
Authority
CN
China
Prior art keywords
fuzzy
hybrid rice
algorithm
individual
optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811080424.8A
Other languages
English (en)
Inventor
叶志伟
金灿
王春枝
苏军
孙恒
孙一恒
郑逍
杨娟
孙爽
陈凤
张旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201811080424.8A priority Critical patent/CN109242026A/zh
Publication of CN109242026A publication Critical patent/CN109242026A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于杂交水稻算法优化的模糊C均值聚类方法及系统，方法包括：初始化该优化算法参数，预处理待聚类的数据集；构建目标函数，即对可行解的评价函数；对目标函数进行最优值求解，得到最优值并确定对应的最优初始聚类中心；根据最优初始聚类中心进行模糊C均值聚类，最终得到聚类结果。系统包括初始化模块、编码模块、适用度值计算模块、最优值计算模块、最优初始聚类中心计算模块、模糊C均值聚类模块、输出模块；采用本发明对模糊C均值聚类进行基于杂交水稻算法的初始聚类中心优化，解决了模糊聚类效果极易受随机初始聚类中心的影响。

Description

一种基于杂交水稻算法优化的模糊C均值聚类方法及系统
技术领域
本发明属于无监督学习技术领域，涉及一种模糊C均值聚类方法及系统，具体涉及一种基于杂交水稻算法优化的模糊C均值聚类方法及系统。
背景技术
模糊C均值(FCM)是一种基于无监督学习机制的常用聚类方法，该聚类函数利用聚类中心(距离)计算函数和FCM目标函数。FCM的主要步骤是迭代过程，它更新隶属函数值和中心位置及其值。在FCM中，高隶属度值表示更靠近该类中心，低隶属度值表示距该类中心较远。FCM对初始聚类中心极其敏感，聚类数目、数据集特征和模糊指数m等因素都对聚类效果影响很大，不同的初始聚类中心即可能导致不同的聚类结构，该聚类算法易受初始聚类中心影响而陷入局部最优，初始聚类中心的选取是问题所在。
解决聚类算法中初始聚类中心选取的问题的方法主要有传统的数学逻辑方法和智能计算算法两大类，传统的方法由于自身逻辑复杂或者难以保证有效形成更优的初始聚类中心，导致其在面对聚类算法初始类中心选取这类非线性优化问题时求解难度较高。传统的粒子群算法在面对高维度、大规模、多约束的初始聚类中心选取问题容易陷入局部最优解而不能保证全局收敛。
发明内容
本发明的目的是提供一种基于杂交水稻算法优化的模糊C均值聚类方法及系统，对模糊C均值聚类进行基于杂交水稻算法的初始聚类中心优化，解决了模糊聚类结果极易受初始聚类中心的选取的影响而陷入局部最优的问题。
本发明的方法所采用的技术方案是：一种基于杂交水稻算法优化的模糊C均值聚类方法，其特征在于，包括以下步骤：
步骤1：初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；
所述参数包括水稻种群数N、最大育种次数maxIteration、最大自交次数maxTime；每个水稻个体为最优初始聚类中心的候选解；
步骤2：根据杂交水稻优化算法对初始聚类中心进行编码，并使用对其评价作为目标函数；
步骤3：根据目标函数计算水稻种群各个体适用度值；
步骤4：根据杂交水稻算法结合模糊聚类初始聚类中心对所述目标函数进行最优值求解，得到最优值；
步骤5：根据所述最优值确定对应的最优初始聚类中心；
步骤6：最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；
步骤7：输出优化后的模糊聚类结果。
本发明的系统所采用的技术方案是：一种基于杂交水稻算法优化的模糊C均值聚类系统，其特征在于：包括初始化模块、编码模块、适用度值计算模块、最优值计算模块、最优初始聚类中心计算模块、模糊C均值聚类模块、输出模块；
所述初始化模块，用于初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；
所述编码模块，用于根据杂交水稻优化算法对初始聚类中心进行编码，并使用对它评价函数作为优化求解的目标函数；
所述适用度值计算模块，用于根据目标函数计算水稻种群各个体适用度值；
所述最优值计算模块，用于根据杂交水稻算法结合模糊聚类初始聚类中心对所述目标函数进行最优值求解，得到最优值；
所述最优初始聚类中心计算模块，用于根据所述最优值确定对应的最优初始聚类中心；
所述模糊C均值聚类模块，用于最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；
所述输出模块，用于输出优化后的模糊聚类结果。
本发明中通过运用杂交水稻优化算法迭代更新产生较优的初始聚类中心，进而实现了对模糊C均值聚类极易受随机初始类中心影响而陷入局部最优的问题的解决。采用杂交水稻算法进行初始聚类中心选取能够进行全局搜索，不易陷入局部最优。但又未舍弃局部寻优，局部和全局两者兼顾，参数少，原理简单，易于实现，通用性强。寻优能力强，计算复杂度低，计算速度快，使得模糊聚类的初始类中心选取不再随机。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例优化算法与其它优化算法的效果对比图，(a)为杂交水稻算法与灰狼算法和遗传算法在iris数据集上优化目标函数的收敛曲线的对比图；(b)为杂交水稻算法与灰狼算法和遗传算法在liver-disorder数据集上优化目标函数的收敛曲线的对比图；HRO为本发明所用的杂交水稻的缩写，GWO为灰狼算法的缩写，GA为遗传算法的缩写。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请见图1，本发明提供的一种基于杂交水稻算法优化的模糊C均值聚类方法，包括以下步骤：
步骤1：初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；
本实施中，参数包括水稻种群数N、最大育种次数maxIteration、最大自交次数maxTime；每个水稻个体为最优初始聚类中心的候选解；
步骤2：根据杂交水稻优化算法对初始聚类中心进行编码，并使用对它评价函数作为优化求解的目标函数；
本实施例中，根据杂交水稻优化算法对初始聚类中心进行编码的方式为：根据待聚类数据集的已知聚类数目C和待聚类数据集的属性数目，也即是数据维度dim，确定聚类中心在优化算法中编码为C×dim维的向量，编码方式为Cluster＝c1,1,c1,2,...c1,d,c2,1,c2,2...ci,j...cc,d，其中ci,j,i∈(1,2,...C),j∈(1,2,...dim)代表第i类中心的第j维的数据值。
本实施例的目标函数为：
其中，ui,j是xj属于类别ci的隶属度，ci是类i的聚类中心，|| ||norm表示归一化数据的欧氏距离，c表示聚类数目，n表示待聚类数据集的样本个数，m表示模糊指数，一般取值为1-3，本发明中默认其为2，xj表示待聚类数据集的第j个样本；
目标函数遵循的约束条件为：根据保证每一待聚类目标对应所有类别的隶属度之和为1；
初始聚类中心根据公式计算其对应的隶属度矩阵，隶属度矩阵根据公式计算出新的聚类中心，即跳转到上一步计算隶属度矩阵的过程，循环往复，直到达到循环终止条件max其中0＜ε＜1是迭代终止参数，k代表迭代代数。
步骤3：根据目标函数计算水稻种群各个体适用度值；
步骤4：根据杂交水稻算法结合模糊聚类初始聚类中心对目标函数进行最优值求解，得到最优值；
具体实现包括以下子步骤：
步骤4.1：初始化杂交水稻种群大小、最大育种次数、最大自交次数；杂交水稻种群由多个杂交水稻个体组成，杂交水稻个体表示目标函数的取值，选取初始聚类中心作为杂交水稻个体；
步骤4.2：计算杂交水稻种群中杂交水稻个体的适应度值；适应度值表示杂交水稻种群中杂交水稻的优劣；
步骤4.3：根据适应度值将杂交水稻个体进行排序得到个体适应度序列；
步骤4.4：将个体适应度序列区分为保持系、不育系、恢复系；
步骤4.5：将保持系与不育系进行杂交产生新的不育系个体；
步骤4.6：将恢复系进行自交产生新的恢复系个体；
步骤4.7：根据新的不育系个体与新的恢复系个体得到最优个体，最优个体为最优值。
步骤5：根据最优值确定对应的最优初始聚类中心；
步骤6：最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；
步骤7：输出优化后的模糊聚类结果。
采用上述方法对模糊聚类初始聚类中心进行优化，能够实现全局搜索，不易陷入局部最优。但又未舍弃局部寻优，局部和全局两者兼顾，参数少，原理简单，易于实现，通用性强。
本实施例中，具体杂交水稻算法如下：
步骤1：初始化；
设置水稻种群的总数为N，水稻种群由多个水稻个体组成，其中保持系、不育系占群体的比例均为a％，数量为A＝N×a/100，则恢复系占群体的比例为(100-2a)％，每个个体的基因的维度为D。表示第t次育种时群体中第i个个体的基因，当t＝0时，即初始时刻，在解空间内随机生成N个解其具体的生成公式为：
其中j∈{1,2,...,D-1,D}，minxj，maxxj分别表示搜索空间第j维分量的最大值与最小值。
针对模糊聚类初始聚类中心的特点，设定好杂交水稻算法的原始参数，并且根据约束条件对各个水稻的初始基因进行设定。在水稻设定中，本实施例选取所述杂交水稻优化算法结合的初始聚类中心作为个体变量，聚类中心在优化算法中编码应为C×dim维的向量，其具体编码表示方式为Cluster＝c1,1,c1,2,...c1,d,c2,1,c2,2...ci,j...cc,d，即将C个类中心整合编码成一个杂交水稻个体的基因编码。
初始化时会确定以下参数：
①水稻种群数N；
②最大育种次数maxIteration；
③最大自交次数maxTime。
每个水稻个体即为最优初始聚类中心的候选解。
步骤2：适应度值计算；
分别计算种群中各个个体的适应度值根据水稻的优劣将水稻进行排序，保持系、不育系、恢复系的数量分别为A、A、N-2A。
步骤3：杂交过程；
将保持系与不育系进行杂交产生新的不育系个体。
对于每一次育种，杂交过程进行的次数与不育系的个体数量相同。每一次杂交，将从不育系和保持系中各选取一个个体作为父本母本，选取方式可以随机选取也可以按一一对映的方式选取。杂交的方式是将父本与母本对应位置的基因按照随机权重相加进行重组而得到一个拥有新的基因的个体。计算新个体的适应度，并以贪心算法为准则将其与其父本母本中的不育系个体对比，将适应度较优的个体保留至下一代。
①随机杂交：
其中表示该轮育种过程中第k次杂交产生的新个体的第j维基因，r1，r2为[-1,1]之间的随机数，且r1+r2≠0。a，b随机取自{1,2,...,A}，xAa表示不育系中的第a个个体，xBb表示保持系中的第b个个体。产生的新个体的基因的每一维都由不育系和保持系中的随机个体以随机比例杂交得到。
②对映杂交：
式中a＝b＝k，xAa表示不育系中的第a个个体，xBb表示保持系中的第b个个体。产生的新个体的基因的每一维都由不育系的第k个个体育保持系中的第k个个体以随机比例杂交得到。
杂交后对新产生的个体进行贪心算法选择。
若f(new_xk)＞f(xBk)将new_xk取代xBk保留至下一代，若f(new_xk)≤f(xBk)则将xBk保留至下一代。
步骤4：自交过程；
恢复系自交产生新的恢复系个体。
育种过程中，自交进行的次数与恢复系的个体数量相同。每一次自交，参与自交的恢复系个体各个位置上的基因都会向着当前最优解靠近一个随机量。计算新的个体的适应度并根据贪心算法与自交之前的恢复系个体相比，选择较优的保存到下一代。若保存到下一代的个体为自交之前的个体那么该个体的自交次数将加1。如果保存到下一代的个体为自交产生的新个体，若新个体优于当前最优个体，则将其自交次数设置为0，否则保持其自交次数不变。若某个恢复系个体的自交次数达到了限制次数maxTime，那么在下一轮育种过程中它将不参与自交过程，取而代之的是重置过程。
new_xk＝xsk+rand(0,1)(xbest-xsr) (4)
式中new_xk表示该轮育种过程中第k次自交产生的新个体，xsk表示恢复系中的第sk个个体，xbest表示当前所找到的最优个体，xsr为恢复系中的第sr个个体，其中sr随机取值于{1,2,...,N-2A}。
同样自交后对新产生的个体进行贪心算法选择。
若f(new_xk)＞f(xSr)将new_xk取代xSr保留至下一代其自交次数保持不变，若f(new_xk)≤f(xSr)则将xSr保留至下一代，其自交次数加1，即timeSk＝timeSk+1。
若f(new_xk)＞f(xbest)则将new_xk取代当前的最优个体的记录并将其自交次数设为0，timeSk＝0。如果timeSk＞maxTime，则在下一代育种时，该个体不进行自交过程，而是进行重置过程。
步骤5：重置过程；
重置过程实际上是自交过程的一个子过程，用来处理达到自交次数上限的恢复系个体。重置过程将在解空间内随机生成一组基因，并将这组基因加到参与重置的个体的基因上，同时其自交次数将被设置为0。
步骤6：记录当前所得到的最优的个体的基因；
若未达到最大育种代数maxIteration或小于优化误差则跳转至步骤(2)，否则将当前最优个体的基因作为结果输出。输出的结果就是的最终结果。
请见图2，为本发明实施例优化算法与其它优化算法的效果对比图，(a)为杂交水稻算法与灰狼算法和遗传算法在iris数据集上优化目标函数的收敛曲线的对比图；(b)为杂交水稻算法与灰狼算法和遗传算法在liver-disorder数据集上优化目标函数的收敛曲线的对比图；HRO为本发明所用的杂交水稻的缩写，GWO为灰狼算法的缩写，GA为遗传算法的缩写；从附图2中可以知道杂交水稻优化算法在收敛速度和最优值上都优越于GA和GWO算法。
本发明还提供了一种基于杂交水稻算法优化的模糊C均值聚类系统，其特征在于：包括初始化模块、编码模块、适用度值计算模块、最优值计算模块、最优初始聚类中心计算模块、模糊C均值聚类模块、输出模块；
初始化模块，用于初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；编码模块，用于根据杂交水稻优化算法对初始聚类中心进行编码，并使用对它评价函数作为优化求解的目标函数；适用度值计算模块，用于根据目标函数计算水稻种群各个体适用度值；最优值计算模块，用于根据杂交水稻算法结合模糊聚类初始聚类中心对目标函数进行最优值求解，得到最优值；最优初始聚类中心计算模块，用于根据最优值确定对应的最优初始聚类中心；模糊C均值聚类模块，用于最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；输出模块，用于输出优化后的模糊聚类结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于杂交水稻算法优化的模糊C均值聚类方法，其特征在于，包括以下步骤：
步骤1：初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；
所述参数包括水稻种群数N、最大育种次数maxIteration、最大自交次数maxTime；每个水稻个体为最优初始聚类中心的候选解；
步骤2：根据杂交水稻优化算法对初始聚类中心进行编码，并使用对它评价函数作为优化求解的目标函数；
步骤3：根据目标函数计算水稻种群各个体适用度值；
步骤4：根据杂交水稻算法结合模糊聚类初始聚类中心对所述目标函数进行最优值求解，得到最优值；
步骤5：根据所述最优值确定对应的最优初始聚类中心；
步骤6：最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；
步骤7：输出优化后的模糊聚类结果。
2.根据权利要求1所述的基于杂交水稻算法优化的模糊C均值聚类方法，其特征在于，步骤2中根据杂交水稻优化算法对初始聚类中心进行编码的方式为：根据待聚类数据集的已知聚类数目C和待聚类数据集的属性数目，也即是数据维度dim，确定所述聚类中心在优化算法中编码为C×dim维的向量，编码方式为Cluster＝c1,1,c1,2,...c1,d,c2,1,c2, 2...ci,j...cc,d，其中ci,j,i∈(1,2,...C),j∈(1,2,...dim)代表第i类中心的第j维的数据值。
3.根据权利要求1所述的基于杂交水稻算法优化的模糊C均值聚类方法，其特征在于，步骤2中的目标函数为：
其中，ui,j是xj属于类别ci的隶属度，ci是类i的聚类中心，|| ||norm表示归一化
数据的欧氏距离，c表示聚类数目，n表示待聚类数据集的样本个数，m表示模糊指数，xj表示待聚类数据集的第j个样本；
目标函数遵循的约束条件为：根据保证每一待聚类目标对应所有类别的隶属度之和为1；
初始聚类中心根据公式计算其对应的隶属度矩阵，隶属度矩阵根据公式计算出新的聚类中心，即跳转到上一步计算隶属度矩阵的过程，循环往复，直到达到循环终止条件其中0＜ε＜1是迭代终止参数，k代表迭代代数。
4.根据权利要求1所述的基于杂交水稻算法优化的模糊C均值聚类方法，其特征在于，步骤4的具体实现包括以下子步骤：
步骤4.1：初始化杂交水稻种群大小、最大育种次数、最大自交次数；所述杂交水稻种群由多个杂交水稻个体组成，杂交水稻个体表示目标函数的取值，选取初始聚类中心作为杂交水稻个体；
步骤4.2：计算所述杂交水稻种群中杂交水稻个体的适应度值；所述适应度值表示所述杂交水稻种群中杂交水稻的优劣；
步骤4.3：根据所述适应度值将所述杂交水稻个体进行排序得到个体适应度序列；
步骤4.4：将所述个体适应度序列区分为保持系、不育系、恢复系；
步骤4.5：将所述保持系与所述不育系进行杂交产生新的不育系个体；
步骤4.6：将所述恢复系进行自交产生新的恢复系个体；
步骤4.7：根据所述新的不育系个体与所述新的恢复系个体得到最优个体，所述最优个体为最优值。
5.一种基于杂交水稻算法优化的模糊C均值聚类系统，其特征在于：包括初始化模块、编码模块、适用度值计算模块、最优值计算模块、最优初始聚类中心计算模块、模糊C均值聚类模块、输出模块；
所述初始化模块，用于初始化杂交水稻算法参数，预处理待聚类的若干数据集，即标签编码以及数据归一化；根据数据集描述设置各待聚类数据集的聚类数目；
所述编码模块，用于根据杂交水稻优化算法对初始聚类中心进行编码，并使用对它评价函数作为优化求解的目标函数；
所述适用度值计算模块，用于根据目标函数计算水稻种群各个体适用度值；
所述最优值计算模块，用于根据杂交水稻算法结合模糊聚类初始聚类中心对所述目标函数进行最优值求解，得到最优值；
所述最优初始聚类中心计算模块，用于根据所述最优值确定对应的最优初始聚类中心；
所述模糊C均值聚类模块，用于最优初始聚类中心作为模糊C均值聚类的初始化聚类中心，进行模糊C均值聚类；
所述输出模块，用于输出优化后的模糊聚类结果。
CN201811080424.8A 2018-09-17 2018-09-17 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 Pending CN109242026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811080424.8A CN109242026A (zh) 2018-09-17 2018-09-17 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811080424.8A CN109242026A (zh) 2018-09-17 2018-09-17 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统

Publications (1)

Publication Number Publication Date
CN109242026A true CN109242026A (zh) 2019-01-18

Family

ID=65058597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811080424.8A Pending CN109242026A (zh) 2018-09-17 2018-09-17 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统

Country Status (1)

Country Link
CN (1) CN109242026A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325238A (zh) * 2020-01-21 2020-06-23 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN112612886A (zh) * 2020-12-18 2021-04-06 湖北工业大学 一种基于水稻育种-二进制蚁群混合算法的文本特征选择方法
CN113344081A (zh) * 2021-06-08 2021-09-03 西安邮电大学 一种基于混合聚类的卫星随机接入前导检测方法
CN115344846A (zh) * 2022-07-29 2022-11-15 贵州电网有限责任公司 一种指纹检索模型及验证方法
CN115580487A (zh) * 2022-11-21 2023-01-06 深圳市华曦达科技股份有限公司 一种网络异常流量检测模型构建方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325238A (zh) * 2020-01-21 2020-06-23 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN111325238B (zh) * 2020-01-21 2023-06-09 全球能源互联网研究院有限公司 一种相位噪声补偿方法及系统
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN112612886A (zh) * 2020-12-18 2021-04-06 湖北工业大学 一种基于水稻育种-二进制蚁群混合算法的文本特征选择方法
CN113344081A (zh) * 2021-06-08 2021-09-03 西安邮电大学 一种基于混合聚类的卫星随机接入前导检测方法
CN113344081B (zh) * 2021-06-08 2023-10-13 西安邮电大学 一种基于混合聚类的卫星随机接入前导检测方法
CN115344846A (zh) * 2022-07-29 2022-11-15 贵州电网有限责任公司 一种指纹检索模型及验证方法
CN115580487A (zh) * 2022-11-21 2023-01-06 深圳市华曦达科技股份有限公司 一种网络异常流量检测模型构建方法及装置
CN115580487B (zh) * 2022-11-21 2023-04-07 深圳市华曦达科技股份有限公司 一种网络异常流量检测模型构建方法及装置

Similar Documents

Publication Publication Date Title
CN109242026A (zh) 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统
CN111814251B (zh) 基于贝叶斯自适应共振的多目标多模态粒子群优化方法
Hu et al. The hierarchical fair competition (hfc) framework for sustainable evolutionary algorithms
CN108090658A (zh) 基于时域特征参数融合的电弧故障诊断方法
Wang et al. A cluster-based competitive particle swarm optimizer with a sparse truncation operator for multi-objective optimization
CN106131862B (zh) 一种无线传感器网络中基于多目标进化算法的优化覆盖方法
CN110458187A (zh) 一种恶意代码家族聚类方法和系统
CN109034231A (zh) 信息反馈rbf网络估值的不完整数据模糊聚类方法
CN107153837A (zh) 深度结合K‑means和PSO的聚类方法
Alam et al. Diversity guided evolutionary programming: a novel approach for continuous optimization
CN109949314B (zh) 一种基于半监督学习和直方图统计的多目标快速模糊聚类彩色图像分割方法
CN108985440A (zh) 区间二型直觉模糊随机向量函数连接神经网络设计方法
CN106097351A (zh) 一种基于多目标的自适应阈值图像分割方法
CN112381157A (zh) 一种基于樽海鞘群算法优化的模糊c均值聚类方法
Liang et al. Recent advances in particle swarm optimization via population structuring and individual behavior control
CN101893852A (zh) 一种复杂工业过程的多目标建模方法
CN109934344B (zh) 一种改进的基于规则模型的多目标分布估计方法
Yan et al. A data clustering algorithm based on mussels wandering optimization
CN109784545A (zh) 一种基于多智能体的分布式能源枢纽的调度方法
Pradhan et al. Solving the 0–1 knapsack problem using genetic algorithm and rough set theory
Antonelli et al. Exploiting a three-objective evolutionary algorithm for generating Mamdani fuzzy rule-based systems
CN105912887B (zh) 一种改进型基因表达式编程-模糊c均值作物数据分类方法
CN113344202A (zh) 一种新的深度多核学习网络模型训练方法、系统及介质
CN112784908A (zh) 一种基于极度不平衡数据分类的动态自步集成方法
Mousavi A New Clustering Method Using Evolutionary Algorithms for Determining Initial States, and Diverse Pairwise Distances for Clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118