| 【中文题名】 | 模糊聚类研究及其在水文分区中的应用 |
| 【英文题名】 | Research and Application of Fuzzy Clustering in Hydrology Distribution |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-3 |
| 【中关键词】 | 模糊聚类,FCM,NFC,主成分分析法,水文分区, |
| 【英关键词】 | fuzzy clustering,fuzzy c-means,NFC,Main Factor Analysis,hydrology distribution, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机软件>程序设计、软件工程>程序设计 |
| 【论文摘要】 |
聚类分析是数据挖掘中的一个分支，模糊聚类是聚类中的重要方法，已经取得了丰富的成果，其中的模糊C-均值(FCM)算法具有良好的性能和广泛的应用价值。然而，FCM算法对初始聚类中心的敏感问题影响了实际应用的质量和效果。本文针对这一问题展开研究，并将研究成果应用于安徽省淮河流域水文分区。
主要工作如下：
(1)研究分析了数据挖掘及模糊聚类的现状及存在问题，描述了模糊理论中的相关方法。
(2)研究了神经网络和模拟退火聚类算法。分别对基于模糊逻辑的神经元网络聚类和使用Cauchy训练的模拟退火聚类算法进行了单独和混合实验，对聚类过程中能量的变化、聚类有效性和聚类耗时等方面做出了分析和总结。
(3)在研究分析FCM模糊聚类算法的基础上，提出了模糊聚类算法NFC。该算法首先运用基于模糊逻辑的神经元网络和Cauchy训练的模拟退火聚类算法求解初始聚类中心，然后运用FCM进行聚类，解决了FCM对初始聚类中心敏感和局部极值的问题，在随机给出初始聚类中心的实验中有效率高达99％。
(4)将所提出的NFC算法应用于安徽省淮河流域的水文分区。对采集的124716个原始水文数据，首先采用... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-12 |
|
第一章 绪论 |
12-17 |
|
1.1 数据挖掘研究概述 |
12-13 |
|
1.2 模糊聚类研究现状及存在问题 |
13-15 |
|
1.2.1 模糊聚类研究概述 |
13-14 |
|
1.2.2 常用模糊聚类算法研究现状及存在问题 |
14-15 |
|
1.3 模糊聚类在水文分区中应用现状及意义 |
15-16 |
|
1.4 本文的研究内容与组织结构 |
16-17 |
|
第二章 相关的背景知识 |
17-33 |
|
2.1 聚类 |
17-24 |
|
2.1.1 聚类定义 |
17 |
|
2.1.2 样本间“相似性”度量 |
17-20 |
|
2.1.3 模糊聚类分析的一般步骤 |
20-21 |
|
2.1.4 数据挖掘中聚类算法研究 |
21-24 |
|
2.2 模糊理论 |
24-32 |
|
2.2.1 模糊数学概述 |
24-25 |
|
2.2.2 模糊理论的数学基础 |
25-27 |
|
2.2.3 模糊关系和模糊矩阵 |
27-32 |
|
2.3 本章小结 |
32-33 |
|
第三章 神经网络模糊聚类 |
33-48 |
|
3.1 神经网络模糊聚类概述 |
33 |
|
3.2 BP网络与算法 |
33-37 |
|
3.2.1 BP网络算法 |
34-36 |
|
3.2.2 BP算法的改进 |
36-37 |
|
3.2.3 BP算法的总结 |
37 |
|
3.3 基于模糊逻辑的神经元网络聚类 |
37-43 |
|
3.3.1 模糊逻辑神经元网络结构 |
37-38 |
|
3.3.2 网络学习算法 |
38-40 |
|
3.3.3 基于模糊逻辑的神经元网络聚类算法实验 |
40-41 |
|
3.3.4 算法中的死点问题 |
41-43 |
|
3.4 模拟退火模糊聚类 |
43-47 |
|
3.4.1 模拟退火基本思想 |
43-44 |
|
3.4.2 模拟退火算法 |
44-45 |
|
3.4.3 模拟退火算法分析研究 |
45-46 |
|
3.4.4 Cauchy训练的引入 |
46-47 |
|
3.4.5 模拟退火算法实验 |
47 |
|
3.5 本章小结 |
47-48 |
|
第四章 改进的模糊聚类算法NFC |
48-60 |
|
4.1 模糊C-均值聚类算法 |
48-49 |
|
4.1.1 FCM算法的基本原理 |
48 |
|
4.1.2 FCM算法的实现方法 |
48-49 |
|
4.1.3 结果的清晰化 |
49 |
|
4.2 FCM算法研究 |
49-50 |
|
4.2.1 改进初始聚类中心的FCM |
50 |
|
4.2.2 改进加权指数r的FCM |
50 |
|
4.2.3 改进聚类有效性函数的FCM |
50 |
|
4.3 改进的模糊聚类算法NFC |
50-56 |
|
4.3.1 模糊逻辑神经元算法和模拟退火算法的混合聚类算法 |
51-52 |
|
4.3.2 局部混合算法实验及分析 |
52-55 |
|
4.3.3 改进的模糊聚类算法NFC |
55-56 |
|
4.4 NFC算法实验及分析 |
56-59 |
|
4.4.1 实验结果 |
56-57 |
|
4.4.2 实验分析 |
57-59 |
|
4.5 本章小结 |
59-60 |
|
第五章 NFC在水文分区中的应用 |
60-74 |
|
5.1 水文分区概述 |
60-61 |
|
5.1.1 水文分区 |
60 |
|
5.1.2 水文特性 |
60-61 |
|
5.2 NFC在水文分区中的应用 |
61-72 |
|
5.2.1 基于主成分分析和模糊聚类方法的分区研究 |
61-62 |
|
5.2.2 基于主成分分析和模糊聚类方法的分区步骤 |
62-65 |
|
5.2.3 NFC在安徽省淮河流域水文分区中的应用 |
65-72 |
|
5.3 实验结果与分析 |
72 |
|
5.4 本章小结 |
72-74 |
|
第六章 结论与展望 |
74-76 |
|
6.1 工作总结 |
74-75 |
|
6.2 工作展望 |
75-76 |
|
参考文献 |
76-80 |
|
附录一 攻读硕士学位期间发表的论文 |
80 |
|
附录二 攻读硕士学位期间主持的课题 |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.388768 |
