导读:本文包含了加权模糊均值论文开题报告文献综述及选题提纲参考文献，主要关键词:风电变压器,特征加权,动态更新,模糊C均值算法
加权模糊均值论文文献综述
张贵,丁云飞[1]（2019）在《改进加权模糊C均值算法的风电变压器故障诊断》一文中研究指出风电变压器作为风力发电系统中电能传输和转换的枢纽设备之一,其安全稳定运行是电网可靠性的重要保障。为提高变压器故障诊断准确度,提出了基于改进加权模糊C均值(FCM)算法的风电变压器故障诊断方法。相比于一般的加权FCM算法,特征加权FCM算法使用固定的特征权重,该方法通过在训练阶段动态更新特征权重,使得不同比重的特征能够体现样本各维度在聚类效果中所起作用的大小。建立基于改进加权FCM算法的风电变压器故障诊断模型,充分考虑了不同比重特征对聚类结果的不同影响,能有效改善复杂数据集的聚类性能。实例研究结果表明:该方法有效地提高了故障诊断的准确率,弥补了传统FCM固定权重分配的不足。(本文来源于《上海电机学院学报》期刊2019年04期）
孟凡军,李树军,潘宗鹏,孙亦成,李忠盼[2]（2019）在《加权模糊C均值聚类算法实现BDS叁频组合观测值优选》一文中研究指出在对BDS叁频载波相位组合观测值进行误差分析的基础上,确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足,采用一种基于加权的模糊C均值聚类算法,通过对同一维度在不同簇上赋予不同的权重值,对传统遍历搜索法所获得的部分BDS叁频载波相位组合观测值进行了优化分类选取,有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题,同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析,确定了各类组合观测量的适用范围,并结合实测数据,利用无几何层迭模糊度解算方法对优选组合进行了整周模糊度的解算,结果验证了该方法的可行性。(本文来源于《国防科技大学学报》期刊2019年03期）
刘永利,王恒达,刘静,杨立身[3]（2019）在《特征加权的模糊C有序均值聚类算法》一文中研究指出Fuzzy C-ordered-means clustering(FCOM)算法基于排序进行模糊聚类,虽然其鲁棒性得到提高,但是耗时的排序操作降低了算法的效率。本文基于FCOM算法,将排序加权模式进行改进,提出一种特征加权的模糊C有序均值聚类算法(feature weighted fuzzy C-ordered-means clustering,FWFCOM)。为了验证算法的有效性,选取6个UCI数据集进行试验。结果表明,FWFCOM算法不仅在聚类准确率和鲁棒性方面有较好的表现,而且运行效率也得到有效提升。(本文来源于《河南理工大学学报(自然科学版)》期刊2019年03期）
赵明,王培红,梁俊宇,杜景琦,殷捷[4]（2019）在《基于加权模糊C-均值聚类的锅炉运行参数基准值建模》一文中研究指出锅炉运行参数基准值是锅炉耗差分析的基础和前提。本文提出了基于加权模糊C-均值聚类的锅炉运行参数基准值确定方法,该方法基于不同锅炉运行参数对锅炉效率影响程度不同,利用锅炉效率简化计算模型对锅炉运行参数进行求导,进而确定不同锅炉运行参数各自的权重;然后利用加权模糊C-均值聚类算法在典型负荷区间进行多参量同步挖掘,从而确定锅炉运行参数基准值。实例分析结果表明,相对于基于模糊C-均值聚类的传统方法,本文方法确定的锅炉运行参数基准值更加合理有效。(本文来源于《热力发电》期刊2019年01期）
柴瑞敏,闫婷[5]（2018）在《基于模糊C均值改进的粒化特征加权多标签分类算法》一文中研究指出多标签分类中,每个样本拥有多个标签,使得标签间的组合数量呈指数增长,分类过程中不同特征附带的标签分类信息不同,而特征和标签间的相关性常被忽略。为此,提出基于模糊C均值(FCM)改进的粒化特征加权多标签分类算法。该算法依据平均信息熵所得最佳粒化数目对标签空间粒化,由信息增益计算特征对于标签粒的隶属度,由隶属度判断它们之间相关性的大小,将这相关性融入到特征的权重系数中,对特征进行加权,以解决特征与标签的相关性问题和标签组合爆炸问题。在多个数据集上的实验表明:相较于其他经典多标签学习算法,该算法在各项评价指标的整体上取得较好的效果。(本文来源于《计算机应用与软件》期刊2018年06期）
字云飞,李业丽,孙华艳,韩旭[6]（2018）在《基于模糊C-均值和特征加权法的协同过滤推荐算法》一文中研究指出随着用户对推荐精准度和个性化的要求越来越高,传统推荐算法对于用户-项目的非理性评判弊端以及稀疏性等带来的问题,严重影响推荐的精准度及个性化。基于这些问题,提出了一种基于C-均值和特征加权法的协同过滤推荐算法,该算法首先对用户-项目的评分、转存、特征值等建立矩阵来计算它们之间的相似度,然后通过FCM算法筛选出候选集;而候选集中的项目、用户又具有特征值权重向量的划分,所以再对候选集通过特征加权法获得最终推荐集,从而实现精准、个性化及高效推荐。实验结果表明,该算法能够有效提高相似度计算精度,从而解决数据稀疏性及评分极端带来的不良性,进而提高推荐的精准度、个性化及执行效率。(本文来源于《信息技术与网络安全》期刊2018年06期）
李小和,屈展,王魁生,卢胜男[7]（2017）在《空间加权模糊C均值聚类图像分割算法》一文中研究指出为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。(本文来源于《西安石油大学学报(自然科学版)》期刊2017年05期）
李诗瑾,李倩,徐桂琼[8]（2017）在《多属性加权的模糊c均值聚类算法》一文中研究指出在多属性模糊c均值聚类的基础上,提出了一种基于属性重要性加权的聚类算法.为验证新算法的有效性,在6个UCI数据集上,将新算法与结合主成分分析法和基于粗糙集指数加权的聚类方法进行了比较分析.实验结果表明,基于属性重要性的聚类算法具有更好的泛用性和稳定性,且随着平均类间簇心距离的增大而提升聚类有效性.(本文来源于《微电子学与计算机》期刊2017年07期）
陆海青,葛洪伟[9]（2018）在《自适应灰度加权的鲁棒模糊C均值图像分割》一文中研究指出针对传统模糊C均值(fuzzy C-means,FCM)算法以及结合空间信息的相关改进算法分割精度较低、对噪声敏感的问题,提出一种自适应灰度加权的鲁棒模糊C均值图像分割算法。首先,通过定义像素间的局部灰度相似性测度来反映各像素对局部邻域的影响程度,并根据邻域窗口中各像素的灰度差异,利用指数函数进一步控制邻域像素的影响权重,实现像素灰度的自适应加权,从而提高像素灰度计算的准确性。其次,构造出一种改进的距离测度代替传统的欧氏距离,用于计算各像素与聚类中心之间的相似距离,增强算法对噪声和异常值的鲁棒性。最后,将提出的自适应灰度加权方法与改进的距离测度应用到FCM算法中,实现图像分割。实验结果表明,该算法需根据图像噪声的强度适当地选取邻域窗口大小,在此条件下算法能够取得较优的分割效果和运行效率,且对噪声具有较强的鲁棒性。(本文来源于《智能系统学报》期刊2018年04期）
肖林云,陈秀宏,林喜兰[10]（2016）在《特征加权和优化划分的模糊C均值聚类算法》一文中研究指出在传统FCM算法基础上提出一种称为特征加权和优化划分的模糊C均值算法(WGIFP-FCM).该算法结合了优化划分法和特征权重思想,得到特征权重向量迭代公式并在聚类处理过程中自适应地更新.仿真实验结果表明,该算法能科学地计算出样本特征权重向量,获得优于GIFP-FCM、WFCM和FCM的聚类效果,具有一定实际应用价值.(本文来源于《微电子学与计算机》期刊2016年10期）
加权模糊均值论文开题报告
（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：
在对BDS叁频载波相位组合观测值进行误差分析的基础上,确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足,采用一种基于加权的模糊C均值聚类算法,通过对同一维度在不同簇上赋予不同的权重值,对传统遍历搜索法所获得的部分BDS叁频载波相位组合观测值进行了优化分类选取,有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题,同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析,确定了各类组合观测量的适用范围,并结合实测数据,利用无几何层迭模糊度解算方法对优选组合进行了整周模糊度的解算,结果验证了该方法的可行性。
（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。
加权模糊均值论文参考文献
[1].张贵,丁云飞.改进加权模糊C均值算法的风电变压器故障诊断[J].上海电机学院学报.2019
[2].孟凡军,李树军,潘宗鹏,孙亦成,李忠盼.加权模糊C均值聚类算法实现BDS叁频组合观测值优选[J].国防科技大学学报.2019
[3].刘永利,王恒达,刘静,杨立身.特征加权的模糊C有序均值聚类算法[J].河南理工大学学报(自然科学版).2019
[4].赵明,王培红,梁俊宇,杜景琦,殷捷.基于加权模糊C-均值聚类的锅炉运行参数基准值建模[J].热力发电.2019
[5].柴瑞敏,闫婷.基于模糊C均值改进的粒化特征加权多标签分类算法[J].计算机应用与软件.2018
[6].字云飞,李业丽,孙华艳,韩旭.基于模糊C-均值和特征加权法的协同过滤推荐算法[J].信息技术与网络安全.2018
[7].李小和,屈展,王魁生,卢胜男.空间加权模糊C均值聚类图像分割算法[J].西安石油大学学报(自然科学版).2017
[8].李诗瑾,李倩,徐桂琼.多属性加权的模糊c均值聚类算法[J].微电子学与计算机.2017
[9].陆海青,葛洪伟.自适应灰度加权的鲁棒模糊C均值图像分割[J].智能系统学报.2018
[10].肖林云,陈秀宏,林喜兰.特征加权和优化划分的模糊C均值聚类算法[J].微电子学与计算机.2016