模糊聚类方法在地震火灾评判中的应用

参照地震火灾的历史资料,用模糊聚类方法对城市地震的特征及火灾损失进行了分类,在此分类基础上给出了预测和评估某城市地震火灾损失的计算方法。     

Background dominant colors extraction method based on color image quick fuzzy c-means clustering algorithm

A quick and accurate extraction of dominant colors of background images is the basis of adaptive camouflage design. This paper proposes a Color Image Quick Fuzzy C-Means (CIQFCM) clustering algorithm based on clustering spatial mapping. First, the clustering sample space was mapped from the image pixels to the quantized color space, and several methods were adopted to compress the amount of clustering samples. Then, an improved pedigree clustering algorithm was applied to obtain the initial class centers. Finally, CIQFCM clustering algorithm was used for quick extraction of dominant colors of background image. After theoretical analysis of the effect and efficiency of the CIQFCM algorithm, several experiments were carried out to discuss the selection of proper quantization intervals and to verify the effect and efficiency of the CIQFCM algorithm. The results indicated that the value of quantization intervals should be set to 4, and the proposed algorithm could improve the clustering efficiency while maintaining the clustering effect. In addition, as the image size increased from 128 × 128 to 1024 × 1024, the efficiency improvement of CIQFCM algorithm was increased from 6.44 times to 36.42 times, which demonstrated the significant advantage of CIQFCM algorithm in dominant colors extraction of large-size images.     

装备物资混装配载效益化特征聚类分析

提出了通过对物资聚类分组来分步解决混装配载问题的思想,分析了装备物资混装配载中物资分类的办法,讨论了使用聚类分析法研究分类问题的特点,给出了一种基于系统聚类法的物资效益化特征分组方法。     

基于粒子群聚类的导弹直接侧向力模型辨识

为了充分挖掘数据的潜在规律,提出一种基于粒子群模糊C均值聚类的模型辨识方法,该方法首先对实验数据进行分类,得到最佳聚类数和聚类中心,然后对不同的类分别辨识.新数据可以根据到不同聚类中心的距离划分为不同的类,再根据该类的辨识模型得到输出结果.依据风洞实验数据,采用粒子群模糊聚类对直接侧向力模型进行了辨识,辨识结果表明,与直接辨识相比,该方法的辨识精度明显提高,其辨识结果可以为控制系统的设计提供依据.     

作业名层次化聚类算法预测作业运行时间

预测作业的运行时间有益于提升系统的调度性能,而聚类有助于训练出更好的预测模型。传统的聚类算法很难将相似的作业名聚类,为了将相似的作业更好地聚类,通过分析其组成成分的语义重要性,构建字母-结构-数字的作业名层次化聚类算法。以两台超级计算机的真实数据为例,实验结果发现,应用此算法聚类后的数据训练模型的预测精度相较传统方法有一定的提升,整体预测精度为70%～80%。     

带局部交流函数及自由意志的单领导Cucker-Smale模型的渐近集群分析

为研究集群的形成与否和半径大小之间的关系,主要考虑了具有单个领导的一般等级结构及其领导者速度不变的Cucker-Smale模型。探讨了自由意志对集群产生的影响,通过证明可以给出半径有下界的充分条件(下界和速度差、粒子数、通信强度等有关)。当半径大于下界时,会产生集群。通过MATLAB数值仿真验证了相关结论。     

基于目的地预测的多相似加权目标编群方法

针对目标编群中单一算法存在的适用范围小、误分率高的问题,提出一种新的态势估计中目标编群的处理方法。首先应用Hop fie ld神经网络对态势中目标的目的地做出判断,然后采用多相似性加权策略计算出目标间的相关系数,再根据最大相关系数层次聚类算法实现编群。仿真结果表明方法能在一定程度上减小错误编群的概率,同时适用范围也得到了扩展。     

聚类方法在污水处理软测量中的应用机理研究

通过对污水处理过程建立多神经网络模型的可行性研究以及对活性污泥微生物的生长繁殖规律分析,得出在污水处理工程中采用基于聚类方法的多神经网络建模的理论依据,试验表明多神经网络的扩散常数同类半径相当接近,预测精度较高,证实了聚类分析的正确性.分析了可能影响模型精度的原因,指出采用在线实时算法是未来的研究方向.     

武器装备作战效能灰色聚类评估

武器装备作战效能的指标是多样的,而且意义不同、量纲不同,且指标的实现值往往在数量上悬殊很大,如何在这种情况下比较好的解决作战效能综合评估问题,提出了基于灰色定权聚类和三角白化权函数的灰色聚类评估方法解决此问题,给出了应用的一般步骤。以某型水陆坦克为例,对其改装前后的作战效能进行了对比分析,并为其将来进一步改进提出了建设性建议。     

基于相对密度的增量式聚类算法

基于聚类的相对性原则:簇内对象具有较高的相似度,而簇间对象则相反,提出一种基于相对密度的增量式聚类算法,它继承了基于绝对密度聚类算法的抗噪声能力强、能发现任意形状簇等优点[1],并有效解决了聚类结果对参数设置过于敏感、参数值难以确定以及高密度簇完全被相连的低密度簇所包含等问题。同时,通过定义新增对象的影响集和种子集能够有效支持增量式聚类。