导读:本文包含了软划分论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模糊,指纹,算法,知识,动态,神经网络,近海。
软划分论文文献综述
武一,张朝旭,田小森[1]（2019）在《改进模糊C均值软划分管理指纹库的WiFi定位》一文中研究指出针对WiFi指纹定位中管理指纹库的聚类方法不稳定,且类交界附近定位性能差的问题。研究使用粒子群算法改进模糊C均值聚类,并提出隶属度最小间隔的想法,将不能明确分类的指纹划分至多个子指纹库实现具有交叉的软划分管理。期间针对标准粒子群容易陷入局部最优出现早熟的不足,将满意度与线性递减惯性系数结合并引入突变。通过查看由聚类导致误差增大的发生区域,分析类交界处定位性能差的原因,将指纹库进行不同重合程度的软划分。结果表明,改进后的粒子群算法寻优能力更好,而且与改进粒子群算法融合的模糊C均值聚类结果稳定不受初始值影响,将软划分和多种硬聚类对比,类交界附近定位误差明显减小,说明软划分指纹库更适合指纹定位。(本文来源于《测控技术》期刊2019年09期）
超木日力格[2]（2017）在《基于雅克比矩阵的软划分聚类算法分析》一文中研究指出本文主要研究软划分聚类算法分析中两个重要问题:参数选择和收敛性质分析。大部分软划分聚类算法中均存在参数选择问题,参数的选择直接影响聚类算法的速度和精度。讨论软划分聚类算法的收敛性质,例如EM算法的自退火性质,可以帮助我们更好的理解这些聚类算法。除此之外,聚类算法的收敛速率可能会影响算法处理大数据的能力。本文提出一种基于雅克比矩阵的软划分聚类算法分析框架,在此框架下对软划分聚类算法参数的上下界、算法的收敛性质以及收敛速率等问题进行了讨论。本文取得的主要研究成果如下:(1)本文提出了基于雅克比矩阵的软划分聚类算法分析框架。建立该软划分聚类算法分析框架的基本假设是:重合类是大部分软划分聚类算法的不动点,但为了避免聚类算法输出重合类结果,重合类不能是软划分聚类算法的稳定点。在这个基本假设下,我们将软划分聚类算法重写为差分方程形式,通过分析软划分聚类算法差分方程的雅克比矩阵,从而对聚类算法的参数选择和收敛性质分析等等问题进行讨论。与其他软划分聚类算法分析方法相比,基于雅克比矩阵的软划分聚类算法分析方法可以用于分析一般具有隶属度和聚类中心迭代更新过程的算法,而不要求聚类算法有明确的目标函数。(2)本文在基于雅克比矩阵的软划分聚类算法分析框架下,从理论上分析了基于混合高斯模型的最大期望(EM)算法和确定性退火最大期望(DA-EM)算法的性质。一方面,我们通过分析DA-EM算法差分方程的雅克比矩阵,提出了一种选择DA-EM算法确定性退火参数理论下界的方法。另一方面我们在基于雅克比矩阵的软划分聚类算法分析框架下证明了 EM算法具有自退火性质,也就是说重合类不是EM算法的稳定点。因为DA-EM模型在确定性退火参数等于1时等于EM模型,因此我们将EM算法作为DA-EM算法的一个特殊形式,利用DA-EM的雅克比矩阵对EM算法进行理论分析。(3)GK算法是在FCM的基础上改进的一种模糊聚类算法。与FCM算法等软划分聚类算法一样,GK聚类算法的结果也会受到模糊指数m参数值的影响,然而文献中缺乏对GK聚类算法的参数选择问题的讨论。我们在基于雅克比矩阵的软划分聚类算法分析框架下,建立GK聚类算法的稳定点和样本数据间的关系,从而给出选择模糊指数m的理论根据。同时,我们研究了模糊指数m的取值对聚类算法的收敛速率的影响。最后,我们通过实验证明了理论结果的正确性。(4)模糊指数m值会严重影响GK聚类算法的聚类结果。因此,本文我们提出了一种新的基于确定性退火机制的GK聚类算法,以减小参数选择对聚类结果的影响。我们在GK聚类算法的目标函数中加入隶属度的香农(信息)熵约束,并且用确定性退火机制调节退火参数。与此同时,我们分析了确定性退火GK(DA-GK)聚类算法退火参数取值理论下界。除此之外,我们比较了 DA-GK聚类算法和其他聚类算法的聚类结果,并分析了 DA-GK聚类算法的计算复杂度。实验结果表明DA-GK算法具备良好的聚类性能。(本文来源于《北京交通大学》期刊2017-09-01）
余慧娟,周坚华[3]（2017）在《软划分在遥感图像分类上的应用》一文中研究指出BP神经网络是遥感图像分类研究应用最广泛的分类器之一,它以隶属度描述实体对应各类别的确定程度。常规基于BP网络的分类应用中,通常将像元归属为最大隶属度对应的类别,即硬划分,这种方式在混合像元存在时,容易产生误判现象。本文提出一种基于邻域分析的软划分算法,参考领域元素的隶属度情况,判断中心元素的类别。试验表明,该算法可使遥感图像的分类精度平均提高5.10%。(本文来源于《城市地理》期刊2017年16期）
周子闵,周坚华[4]（2016）在《FCM聚类的软划分:以遥感图像城镇下垫面聚类为例》一文中研究指出FCM是应用最广泛的模糊聚类方法之一.与分明聚类不同,模糊聚类以隶属度描述实体类属的确定程度,对于聚类过程中的质心调整和聚类结果分析等,具有重要参考价值.常规FCM应用中,一般以最大隶属度确定聚类结果中像素的类别归属,这种硬性划分,常常会将一些像素划分给了不恰当的类.本文采用的是一种软划分方法,它利用FCM聚类隶属度,对聚类结果做自适应解模糊处理.处理主要依据隶属度的背离特性(以类间隶属度标准差表征)和像素的空间依存关系(以邻域像素归属比例等表征).主要流程包括:①以FCM聚类获取聚类隶属度矩阵;②计算一个像素属于各类别隶属度的标准差,并以标准差取反的商作为该像素最大隶属度的权;③按类别统计像素邻域元素的隶属度加权元素密度(中心像元赋予3倍权重);④同时以2和3的结果作为中心像素划分的依据.为了免除人工干预,一些重要可调参数(如邻域窗口尺寸等)由自适应计算确定.实验表明以聚类图斑平均面积作为窗口尺寸能获得理想的结果.MATLAB仿真测试表明,以解模糊方法获得的聚类精度比最大隶属度方法的平均高出9%.(本文来源于《华东师范大学学报(自然科学版)》期刊2016年04期）
孙寿伟,钱鹏江,陈爱国,蒋亦樟[5]（2015）在《具备历史借鉴能力的软划分聚类模型》一文中研究指出在数据稀少或失真等场景下,传统软划分聚类算法无法获得满意的聚类效果。为解决该问题,以极大熵聚类算法为基础,基于历史知识利用的途径,提出两种新的具备历史借鉴能力的软划分聚类模型(分别简称SPBCRHK-1和SPBC-RHK-2)。SPBC-RHK-1是仅借鉴历史类中心的基础模型,SPBC-RHK-2则是以历史类中心和历史隶属度相融合为手段的高级模型。通过历史知识借鉴,两种模型的聚类有效性均得到有效提高,比较而言具备更高知识利用能力的SPBC-RHK-2模型在聚类有效性和鲁棒性上具有更好的表现。由于所用历史知识不暴露历史源数据,因此两种方法还具有良好的历史数据隐私保护效果。最后在模拟数据集和真实数据集上的实验验证了上述优点。(本文来源于《计算机应用》期刊2015年02期）
何州杉月,杨林[6]（2011）在《中国降水区划模糊聚类软划分法》一文中研究指出利用软划分模糊聚类分析法,对中国160个观测站的近50年的年均降水数据进行研究,按降水量的多少和年际变化规律,把中国降水区域划分n类降水带,并研究了聚类参数对于划分结果的影响。进一步研究了经典的5类降水带划分法,发现了一些被分入某一降水带的地区可能具有较大的与其他类别的相似性(如通辽,大连等),研究结论提供了更丰富的隶属度信息描述这种相似性,并能够在退化后与其他方法得到的划分吻合。可以为进一步分析地理条件影响降水提供量化信息。(本文来源于《气象科技》期刊2011年05期）
于少伟,曹凯[7]（2007）在《基于云模型的动态交通数据流软划分算法》一文中研究指出提出了一种交通数据流软划分算法,该算法利用STREAM算法对交通数据流进行了聚类分析,得到了能够反映交通状况不同特征的聚类结果,然后对聚类结果进行了数据挖掘和交通数据流趋势预测。最后在数据流值预测结果的基础上,采用基于云模型划分的算法对交通的预测流值进行分析,得到了更加灵活的控制策略。(本文来源于《计算机工程与应用》期刊2007年28期）
高军伟,原明亭,张彬[8]（2005）在《切换系统动态区间软划分的研究》一文中研究指出本文研究了一类重要的混杂系统——切换系统中被控对象动态区间软划分的理论与方法,在区间硬划分的基础上,提出了动态区间软划分。动态区间软划分后得到的每一个动态子区间都是一个既包含连续变量和离散变量,又具有两种变量相互作用的复杂集合体,同时每一个动态子区间又都是具有其动态特性和变化规律的独立整体。文章分析了动态子区间的区间重迭、区间漂移和区间缩放特性,其中区间重迭是子区间的外部特征,而区间漂移和区间缩放则是子区间的内部特征。(本文来源于《2005年中国智能自动化会议论文集》期刊2005-08-01）
张德华[9]（1997）在《模糊综合安全评价中初始软划分矩阵的确定》一文中研究指出初始软划分是模糊综合安全评价中确定单因素评价矩阵的基础。本文论述了用动态聚类法处理安全系统危险指标矩阵Ｆ，从而得到合理初始软划分矩阵Ｕ～（０）的方法。同时给出了Ｕ～（０）的确定实例。(本文来源于《武汉工业大学学报》期刊1997年01期）
陈上及,姚湜予[10]（1995）在《中国近海海洋水文气候区划──Ⅱ．聚类分析和模糊聚类软划分》一文中研究指出本文对文献［１］给出的中国近海历年海洋水文气候要素的主因子分析结果，进行了谱系聚类分析和模糊聚类软划分，把中国近海划分为３个气候带、９个气候区和１个亚气候区．通过与水文季节分布特征及海洋动、植物种类区系分布特征的对比分析，结果表明，各个气候区都有其特有的季节特征及生物区系分布特征，均相互对应，从而证明上述１０个气候区的划分是合理的．(本文来源于《海洋学报(中文版)》期刊1995年03期）
软划分论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要研究软划分聚类算法分析中两个重要问题:参数选择和收敛性质分析。大部分软划分聚类算法中均存在参数选择问题,参数的选择直接影响聚类算法的速度和精度。讨论软划分聚类算法的收敛性质,例如EM算法的自退火性质,可以帮助我们更好的理解这些聚类算法。除此之外,聚类算法的收敛速率可能会影响算法处理大数据的能力。本文提出一种基于雅克比矩阵的软划分聚类算法分析框架,在此框架下对软划分聚类算法参数的上下界、算法的收敛性质以及收敛速率等问题进行了讨论。本文取得的主要研究成果如下:(1)本文提出了基于雅克比矩阵的软划分聚类算法分析框架。建立该软划分聚类算法分析框架的基本假设是:重合类是大部分软划分聚类算法的不动点,但为了避免聚类算法输出重合类结果,重合类不能是软划分聚类算法的稳定点。在这个基本假设下,我们将软划分聚类算法重写为差分方程形式,通过分析软划分聚类算法差分方程的雅克比矩阵,从而对聚类算法的参数选择和收敛性质分析等等问题进行讨论。与其他软划分聚类算法分析方法相比,基于雅克比矩阵的软划分聚类算法分析方法可以用于分析一般具有隶属度和聚类中心迭代更新过程的算法,而不要求聚类算法有明确的目标函数。(2)本文在基于雅克比矩阵的软划分聚类算法分析框架下,从理论上分析了基于混合高斯模型的最大期望(EM)算法和确定性退火最大期望(DA-EM)算法的性质。一方面,我们通过分析DA-EM算法差分方程的雅克比矩阵,提出了一种选择DA-EM算法确定性退火参数理论下界的方法。另一方面我们在基于雅克比矩阵的软划分聚类算法分析框架下证明了 EM算法具有自退火性质,也就是说重合类不是EM算法的稳定点。因为DA-EM模型在确定性退火参数等于1时等于EM模型,因此我们将EM算法作为DA-EM算法的一个特殊形式,利用DA-EM的雅克比矩阵对EM算法进行理论分析。(3)GK算法是在FCM的基础上改进的一种模糊聚类算法。与FCM算法等软划分聚类算法一样,GK聚类算法的结果也会受到模糊指数m参数值的影响,然而文献中缺乏对GK聚类算法的参数选择问题的讨论。我们在基于雅克比矩阵的软划分聚类算法分析框架下,建立GK聚类算法的稳定点和样本数据间的关系,从而给出选择模糊指数m的理论根据。同时,我们研究了模糊指数m的取值对聚类算法的收敛速率的影响。最后,我们通过实验证明了理论结果的正确性。(4)模糊指数m值会严重影响GK聚类算法的聚类结果。因此,本文我们提出了一种新的基于确定性退火机制的GK聚类算法,以减小参数选择对聚类结果的影响。我们在GK聚类算法的目标函数中加入隶属度的香农(信息)熵约束,并且用确定性退火机制调节退火参数。与此同时,我们分析了确定性退火GK(DA-GK)聚类算法退火参数取值理论下界。除此之外,我们比较了 DA-GK聚类算法和其他聚类算法的聚类结果,并分析了 DA-GK聚类算法的计算复杂度。实验结果表明DA-GK算法具备良好的聚类性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
软划分论文参考文献
[1].武一,张朝旭,田小森.改进模糊C均值软划分管理指纹库的WiFi定位[J].测控技术.2019
[2].超木日力格.基于雅克比矩阵的软划分聚类算法分析[D].北京交通大学.2017
[3].余慧娟,周坚华.软划分在遥感图像分类上的应用[J].城市地理.2017
[4].周子闵,周坚华.FCM聚类的软划分:以遥感图像城镇下垫面聚类为例[J].华东师范大学学报(自然科学版).2016
[5].孙寿伟,钱鹏江,陈爱国,蒋亦樟.具备历史借鉴能力的软划分聚类模型[J].计算机应用.2015
[6].何州杉月,杨林.中国降水区划模糊聚类软划分法[J].气象科技.2011
[7].于少伟,曹凯.基于云模型的动态交通数据流软划分算法[J].计算机工程与应用.2007
[8].高军伟,原明亭,张彬.切换系统动态区间软划分的研究[C].2005年中国智能自动化会议论文集.2005
[9].张德华.模糊综合安全评价中初始软划分矩阵的确定[J].武汉工业大学学报.1997
[10].陈上及,姚湜予.中国近海海洋水文气候区划──Ⅱ．聚类分析和模糊聚类软划分[J].海洋学报(中文版).1995
论文知识图
