一、一种FCM聚类算法的改进（论文文献综述）
王翔[1]（2021）在《基于改进模糊C-均值聚类的供水管网压力监测点优化布置》文中研究表明随着国家城镇化的发展,供水管网的漏损监控与安全运行越来越受到人们的关注。科学合理地布置供水系统的压力监测点是实时有效监测管网水力运行状态的关键所在。本文围绕供水管网压力监测点的优化布置问题,提出了一种基于改进模糊C-均值聚类算法（fuzzy c-means,FCM）的供水管网压力监测点优化布置方法,并对城镇供水管网的压力监测点进行了优化布置。本文的主要结论如下:（1）提出了一种基于改进FCM算法的供水管网压力监测点优化布置方案。通过对算例管网压力监测点优化布置问题的求解,改进FCM算法优化后的压力监测点监测覆盖率达到97.06%,证明了改进FCM聚类算法在压力监测点优化布置领域的适用性和合理性。（2）比较了改进FCM聚类算法与传统FCM聚类算法在管网压力监测点优化布置领域的差异性。数值实验结果表明,改进FCM算法优化后的压力监测点监测覆盖率较传统FCM算法提高了14.71%。表明改进FCM聚类算法在压力监测点优化布置领域有较好的适用性,能够有效地避免传统FCM聚类方法容易陷入局部最优解的缺点。（3）将提出的压力监测点优化布置方案运用到两种不同的实际供水管网中。结果表明,该压力监测点优化布置方案的监测覆盖率均达到90%以上,能够满足监控管网水力运行状况的需求。（4）提出了一种管网新增压力监测点的优化布置方案。结合SPT区供水管网实际运行情况,在原有压力监测点的基础上新增9个压力监测点,其管网中监测点监测覆盖率由原来的76.69%提升至96.24%,压力监测点对管网水力运行状况的监测能力得到了大幅度的提升。本文提出的压力监测点优化布置方案算法简单、覆盖率高、适用性强,能够满足供水管网水力运行状态监测的需求,为实际城镇供水管网压力监测点的布置提供了一种新方法。
冯培基[2]（2021）在《考虑源荷不确定性的冷热电联供系统优化配置与运行》文中指出冷热电联供（Combined Cooling Heating and Power,CCHP）系统是一种以联供设备为核心,含有能量的供应、储存、转换等多种单元,以冷、热、电三种能流为供应基础的复合能量供应系统。CCHP系统因具有能源利用率高、供电可靠性高、经济环保、调度灵活以及促进新能源消纳等特点受到人们的关注。然而,CCHP系统运行性能的好坏与系统配置的合理与否、运行方式的制定有着密切关系。确定CCHP系统最优配置方案与最优运行方式,以充分发挥CCHP系统的优势,具有重要意义。本文的主要研究内容如下:（1）针对模糊C均值（Fuzzy C-Means,FCM）聚类算法存在模糊系数与聚类数目难以确定的问题,对FCM算法进行了改进。改进算法的核心是在传统FCM聚类算法基础上引入评价数据集几何结构有效性的PFS指标与评价隶属度有效性的Vp指标,并使用熵权法将两者加权以综合评价聚类效果,之后通过遍历法寻找最佳的聚类数目与模糊系数、最佳参数下的聚类结果。将改进FCM算法应用到负荷与气象数据的聚类上,结果验证了其有效性。（2）针对CCHP系统的优化配置问题,构建了基于改进FCM算法的CCHP系统双层优化配置模型。首先,构建以系统年均折算投资运行成本最小、年二氧化碳排放量最小为目标的外层优化配置层;之后,构建以日运行成本最小为目标的内层优化运行层;最后,将内外两层模型相互嵌套,以基于改进FCM算法得到的气象与负荷数据聚类结果为输入,联合NSGA-Ⅱ与PSO算法完成求解,实现最佳的CCHP设备容量配置。针对实际案例应用所提方法进行光伏发电与电、热储能设备的优化配置,结果验证了方法的有效性。（3）针对CCHP系统的优化运行问题,构建基于机会约束的CCHP系统多目标优化运行模型。首先,构建以日运行费用最小、日二氧化碳排放量最小为目标的多目标优化运行模型;之后,为应对源荷不确定性,在优化模型约束条件部分引入机会约束,利用概率约束代替传统确定约束;最后,在求得典型日负荷与气象数据的基础上,使用NSGA-Ⅱ算法完成求解。针对实际案例,在完成优化配置的基础上,对系统运行进行优化,为调度提供参考,并与传统方法进行对比,验证了方法的有效性。
肖晨宇[3]（2021）在《黄河冰凌SAR图像分类方法研究》文中进行了进一步梳理在我国的青藏高原上以及位于北纬35°以北的地区的江河,冬季极其容易结冰成凌,到了春季开河时期,往往会发生凌汛灾害,其中黄河内蒙古段的情况尤为严重,为了减少甚至避免凌汛灾害造成的影响,需要及时、准确地获取冰情信息。极化合成孔径雷达（Polarimetric Synthetic Aperture Radar）Pol SAR技术的出现,使得成像雷达对目标信息的获取能力得到了极大地增强。这为实现更大范围、更高效率、高分辨率、全天时、全天候以及更高精度的河冰监测提供了先决条件和技术支持。本文基于RADARSAT-2卫星提供的研究区域的全极化SAR数据,对不同的河冰分类方法展开了研究,包括基于先验知识的监督分类方法和无监督分类方法,并在得到分类结果的基础上,结合实测数据进行了厚度反演方法的相关研究,主要开展的研究及工作内容可分为以下的几个方面:1.针对传统的最小距离监督分类方法未考虑各类别之间的联系导致分类效果降低的问题,提出了一种改进的基于高斯均值的最小距离监督分类方法,引入了归一化高斯加权系数对各类别中心进行处理,以达到扩大各类别中心差异并且减弱值域范围大的类别对值域范围小的类别造成的不利影响,从而提高分类精度的目的,利用目标区域河冰光学图像及混淆矩阵进行了分类结果验证,并与几种经典的监督分类方法的分类结果进行了对比分析,证明了本文提出的监督分类方法的有效性。2.针对传统的基于聚类方法的无监督分类方法初始聚类中心随机生成导致分类精度不高的问题,研究了一种基于FCM聚类算法的决策树二次分类方法,首先基于FCM聚类算法进行分类得到初次分类结果,然后将后向散射系数、极化散射熵以及去极化功率作为决策依据,对河冰进行二次分类,并结合真实地物信息及混淆矩阵进行了分类结果验证分析,表明了本文所提出无监督分类方法的实用性。3.开展了黄河冰面实地测量实验,获取了研究区域存在的不同类型的河冰的相关信息,并依据其明显差异的物理特性及分布位置,将河冰分为了热力冰（Thermal ice,Ti）、水内冰（Frazil ice,Fi）以及密集厚冰（Consolidated ice,Ci）这三种类型,并分别记录了相关数据;依据黄河河冰的物理结构建立了其对应的散射模型,并求解了后向散射系数;利用实测数据分析了河冰厚度与极化参数的相关性,在此基础上提出了一种多元参数厚度反演方法,同时利用两个极化参数进行河冰厚度反演,并给出了厚度反演精度评价结果,验证了该方法对于黄河河冰的厚度反演的准确性和有效性。
黄敏[4]（2021）在《证件照及抠像三分图自动生成算法研究》文中认为以开发证件照处理软件需求为导向,研究合格证件照处理生成算法;为了将照片处理得尽善尽美,探究图像抠像算法,以及研究其所需三分图的自动生成算法;由于三分图自动生成算法所需FCM聚类算法的弊端性,进而研究如何对其改进。论文工作主要包含以下几点:（1）提出了TFR证件照自动生成算法。针对二代居民身份证对数字相片具有严格标准,为了把不符合标准的相片处理成合格的身份证照,提出了TFR算法的身份证照图像处理方法。TFR算法对不符合标准的相片分三步进行处理:（1）先用头顶距裁剪T算法裁剪相片;（2）再用改进Flood Fill的F算法进行相片背景替换;（3）最后再用均值RGB换肤R算法进行肤色调整。运用本文证件照图像处理方法处理相片,用户只需提供一张背景较简单的单人照,就能将之自动处理成符合标准的身份证相片,解决了通常需要前往照相馆拍摄身份证相片所带来的不便。（2）提出了融合KNN优化密度峰值的KDPC-FCM聚类算法。针对模糊C均值聚类FCM算法对初始聚类中心和噪声敏感、对边界样本聚类不够准确且易收敛于局部极小值等问题,提出了一种K邻近（KNN）优化的密度峰值（DPC）算法和FCM相结合的融合聚类算法。算法利用样本的K近邻信息定义样本局部密度,快速准确搜索样本的密度峰值点样本作为初始类簇中心,改善FCM聚类算法存在的不足,从而达到优化FCM聚类算法效果的目的。实验结果表明,改进后的新算法与传统的FCM算法、其它文献提出的DSFCM算法对比,有着更好的抗噪性、聚类效果和更快的全局收敛速度,证明了新算法的可行性和有效性。（3）提出了ESD抠像三分图自动生成算法。图像抠像是一个严重的欠约束问题,为了解决此问题,用户需要以三分图的形式输入,但是手动生成三分图是一个耗时费力的过程。为了解决这个问题,本文通过结合图像显着性,图像分割（Lazy snapping）和KDPC-FCM聚类等算法,设计提出了由基于DRFI前景提示估计E算法、基于Lazy snapping前景分割S算法和基于KDPC-FCM未知区域检测D算法组成的ESD算法,来自动生成最佳三分图。在实验中表明,除了自动生成精确的三分图外,与之前的算法生成的三分图相比,使用ESD算法生成的最佳三分图生成的alpha蒙版包含的伪影更少、计算速度更快,且本文方法不像之前方法那样依赖图像深度信息,实验证明了提出方法的有效性。
王淑艳[5]（2021）在《FCM算法研究及其在文献推荐系统中的应用》文中研究表明聚类分析作为数据挖掘中非常重要的一种工具,本质是将数据元素划分为若干组的技术,使得组内的元素具有较高的相似性,而与其他组中的元素不同。聚类算法由于其无监督分类的特点,已经在信息检索、商务智能、数据挖掘和推荐系统等领域得到广泛应用。文献推荐可帮助学者们在海量文献中较快找到所需资料,因此如何更准确高效的进行文献推荐是目前研究的热点。本文主要针对FCM算法存在的不足进行了相应的优化改进,并将改进算法应用于文献推荐系统。具体研究内容如下:（1）针对FCM算法必须人为确定聚类数,且随机生成初始中心对聚类质量影响较大的问题,本文提出一种自动确定类数的改进FCM算法（AMMF）。首先利用近邻传播算法AP对数据集进行粗划分,获取到数据集的粗类数,以此作为搜索最佳类数的上限;其次采用改进的最大最小距离算法获取代表点,并将之作为FCM算法的初始中心;最后使用轮廓系数分析聚类质量,从而自动确定最佳类数。所提算法相较于原始的FCM算法无需预先指定类数,且聚类性能更佳,同时保证了聚类结果的一致性。（2）针对FCM算法只能识别球形分布数据,但对复杂形状和非球形数据聚类性能差的缺点。本文在AMMF算法的基础上,利用密度敏感距离代替欧氏距离计算样本点之间的相似性,提出一种基于密度敏感距离度量的改进FCM算法（AMMF-DSD）。与FCM聚类算法相比,AMMF-DSD算法具有识别复杂非球形分布数据的能力,且聚类结果更好。（3）本文设计并实现了新的文献推荐系统。首先获取数据并进行预处理操作;然后运用AMMF算法对用户历史行为数据聚类,将相似的用户分配在同一个类别中;最后使用协同过滤算法,在目标用户所在的类中计算得到前项推荐集,并生成文献推荐集合进行展示。不仅解决了新用户的冷启动问题,同时降低了数据稀疏性,提高了算法的推荐性能和推荐系统的实时性。
马宁[6]（2021）在《基于肿瘤基因表达数据的加权聚类算法研究》文中研究说明近些年来,通过对肿瘤基因表达数据聚类来区别不同肿瘤类型一直是生物信息学领域当中研究的重点。面对不断增加的癌症基因,探索癌症之间的相关性是研究的问题之一,精准医学尝试通过聚类算法起到辅助作用,为具有相似特征的癌症亚型患者制定更加针对性的诊治方案、靶向治疗等,准确的分类对于医学上调整治疗方案起到非常重要的作用。随着研究聚类算法中的模糊聚类的人越来越多,推动其发展越来越快,这是因为它有一个较为突出的特点:不会把每一个对象进行严格划分,是以一定的隶属度去划分每一个类。而对于肿瘤来说可能受到多种基因的影响,并且受到的影响程度是不同的,因此模糊C均值聚类算法（Fuzzy c mean clustering algorithm,FCM）在动态生命系统中更能表达肿瘤基因表达数据的特征。本文针对FCM算法在数据集下存在的问题进行改进,并在普通数据集、基因表达数据集、肿瘤基因表达数据集下进行研究与应用,主要的研究内容如下:（1）为了解决FCM算法在数据集下聚类效果不好、且基于欧氏距离的相似性度量中,只考虑数据点之间的局部一致性问题,将Jeffery散度相似性度量与FCM算法进行结合并改进,本文提出了基于Jeffery散度相似性度量加权FCM聚类算法（Weighted FCM clustering algorithm based on Jeffrey divergence similarity measure,JW-FCM）。通过定理、推论得出改进的目标函数。在实验部分,通过该算法与经典算法K-means、DPC、FCM算法在人工数据集下进行对比,证明该算法可以提高聚类效果,并对此做了准确率的对比,为了更好地体现该算法在实际应用中的作用,在三种癌症数据集下进行收敛性分析,最后证明所提出算法在聚类效果、准确率、收敛性上表现较好。（2）为了改进FCM算法存在着在高维基因表达数据集下,不能把基因表达数据所拥有的不同属性特点对聚类贡献不同的问题进行区别,本文提出基于预处理结果属性约减的特征加权FCM算法（Feature Weighted FCM Algorithm Based on Preprocessing Result Property Reduction,RW-FCM）,通过数据预处理、特征加权获取特征权重,将Relief F技术与FCM算法结合,在数据集下进行收敛性、鲁棒性、聚类效果准确率的对比,验证算法对于聚类效果可以进行更好的区分。综上所述,本文提出两种改进的算法JW-FCM、RW-FCM并在不同数据集下进行聚类实验,依据肿瘤基因表达数据的差异性进行特征加权,并且使用评价指标去反应算法在数据集下的聚类质量。在应用部分,将本文提出的算法应用在肿瘤基因表达数据集,验证了对于肿瘤基因表达数据集本文提出的方法具有合理、可行性,也表现了JW-FCM、RW-FCM算法的优点,在实际生物学范畴里具有重要意义。
王庆圣[7]（2021）在《基于FCM聚类的噪声图像分割算法研究》文中认为图像分割是一类实用图像处理技术,为后续图像识别等提供重要的图像目标信息。图像分割技术将一副图像按像素灰度、颜色或纹理差异分成多个区域,每个区域代表图像中的特定对象。在真实环境中,图像在成像、传输、编解码等过程中易受环境噪声影响,给图像分割带来困难。由于图像噪声存在不确定性,而模糊C均值（Fuzzy C-Means,FCM）聚类作为一种软计算方法,能够较好处理不确定性问题,因此FCM聚类近年来获得了广泛研究。然而,在总体上,原始FCM聚类未考虑图像像素周围空间的信息,对噪声鲁棒性差。其次,FCM聚类仍存在以下问题:1)一些改进FCM聚类的目标函数附加项权重需要手动给定,算法灵活性低;2)原始FCM聚类未考虑迭代次数问题;3)图像非局部空间信息（或称图像区域级信息）计算速度慢,则基于图像非局部空间信息的改进FCM聚类效率不高;4)图像噪声严重时,非局部空间信息可能产生噪声过度保持问题,使FCM聚类误分割;5)图像噪声不仅不确定性高,而且容易使隶属度矩阵模糊性变高,使隶属度产生较多离群值。本文在FCM聚类基础上,主要研究了多种改进FCM聚类对噪声图像分割任务的解决方案,主要工作有:（1）对FCM聚类噪声图像分割算法的研究进展和数学方法进行介绍与分析。（2）针对FCM对抗噪声性能较弱和迭代次数较多的问题,提出一种基于自适应局部空间与灰度信息以及隶属度连接的改进FCM算法,FCM＿SICM算法。该算法首先采用快速近似双边滤波计算图像局部空间和灰度信息,然后分别计算各聚类簇中所有隶属度之和,改为对数形式,作为目标函数分母,用于减少迭代次数,最后计算原始图像和双边滤波图像之差的绝对值,与一个经验常数相乘,作为滤波图像和聚类中心相似度的权重,并将权重的倒数作为原始图像和聚类中心相似度的权重,实现自适应加权。利用分割准确度、平均交并比、E-Measure和迭代次数等指标,实验表明,FCM＿SICM算法第一改进了噪声图像分割准确度,第二减少了迭代次数。（3）针对非局部空间信息计算复杂度高的问题,提出一种基于快速自适应非局部空间信息与隶属度连接的改进FCM算法,FANFCM＿M算法。该算法首先将逐像素循环改为搜索区域循环,降低循环次数,每次循环中利用矩阵并行计算提高计算效率,其次采用隶属度连接减少迭代次数,最后求原始图像和非局部空间信息图像之差的平方,乘以一个可调参数,作为非局部空间信息图像与聚类中心相似度的权重,并将权重倒数作为原始图像与聚类中心相似度的权重。利用分割准确度、归一化互信息、运行时间和迭代次数等指标,实验表明,FANFCM＿M算法不仅克服了利用图像局部信息分割大噪声图像时的伪轮廓问题,而且提高了分割准确度,降低了运行时间。（4）针对非局部空间信息易产生噪声过度保持问题和隶属度均值模板作为隶属度先验信息加入KL散度容易受噪声影响出现隶属度离群值问题,提出一种基于自适应局部和区域级信息（即非局部空间信息）以及隶属度局部中值的改进FCM算法,FALRCM算法。第一,利用快速方法计算图像区域级信息,再计算区域级信息图像的均值滤波图像,得到过度保持度量,然后考虑该度量的局部邻域,构成权重,对区域级信息图像和聚类中心相似度以及区域级信息的均值滤波图像和聚类中心相似度分别加权,构成线性加权欧氏距离相似度。第二,计算上一次迭代的隶属度的局部均值,作为KL散度分母,加入目标函数。第三,计算原始图像和区域级信息图像的局部方差图像,作差,作为指数加入以e为底的指数函数,再与一个可调参数相乘,作为线性加权相似度的权重,并将该权重的倒数作为原始图像和聚类中心相似度权重。运用隶属度划分系数、隶属度划分熵、分割准确度、平均交并比、峰值信噪比等指标,实验表明,FALRCM算法不仅大幅提高隶属度划分明确性,而且提高了强噪声环境下图像分割准确性,其中二分割实验中,对于像素不属于的聚类簇,其隶属度小于10-10。
张敏[8]（2021）在《基于RBF神经网络的短时交通流预测研究》文中进行了进一步梳理近些年,机动车数量的急速增长造成了如交通拥堵和交通事故等各类交通问题,智能交通系统的出现有效的缓解了这类问题。短时交通流预测作为智能交通系统中的一项关键技术,既可为系统中的交通诱导和管控提供一定的决策依据,又可为居民提供合理的出行路线。但是短时交通流由于其极强的随机性和复杂性,使得现有的各种预测模型很难保证预测的精确度和预测结果的时效性。就这一问题本文从交通流特性分析和数据预处理、RBF神经网络及其优化用于短时交通流预测方面展开了研究,主要工作如下:1.交通流特性分析和数据预处理。首先对采集的交通数据从趋势性、随机性和周期性三方面进行了特性分析,其次针对在交通流量采集过程中,由于受到外界因素干扰而导致的数据不准确的问题,本文对交通数据进行了修复和启发式小波阈值降噪,为后文研究提供数据支撑。2.建立了RBF神经网络的交通流预测模型。针对传统模型无法很好的预测短时交通流的问题,本文利用RBF神经网络进行交通流预测,研究了RBF神经网络的结构和结构参数对交通流预测的影响,提出利用C-C法确定神经网络的输入层节点数,用K-means方法确定隐含层神经元数和中心值,建立了RBF神经网络的预测结构。3.建立了基于IFA-RBF神经网络的交通流预测模型。首先针对RBF神经网络预测时易出现对网络初始参数敏感和易陷入局部极值的问题,本文提出利用萤火虫算法（Firefly Algorithm,FA）对其进行初始参数选优,避免网络陷入局部极值;其次针对FA易于陷入“早熟”的问题,通过在基本FA中引入线性递减惯性权重和混沌搜索机制,建立基于IFA-RBF神经网络的预测模型,进一步提高了RBF神经网络的预测精度和收敛速度。4.建立了基于FCM-IFA-RBF神经网络的交通流预测模型。针对单个RBF神经网络预测精度低和对交通流特性考虑不充分的问题,本文提出从交通数据自身特征出发,利用FCM算法对数据进行交通模式划分,针对不同的模式训练不同的IFA-RBF神经网络子模型,并由所有子模型共同完成预测,进一步提高了神经网络预测的准确性。
李牡丹[9]（2021）在《聚类风电机群等效建模与优化控制研究》文中认为风能作为一种低碳环保的可再生能源,已经成为全世界缓解能源匮乏、应对气候变化、促进经济低碳增长的有效方式。大规模风电并网带来的“弃风限电”问题和频率稳定问题一定程度上影响了电力系统的安全稳定运行。在研究风电并网调峰调频问题时,若对每台风电机组都进行系统详细的建模,不仅增大了模型阶数,而且会提高仿真和计算的复杂度。对风电场进行聚类分群,从“群”的角度对风电场模型进行简化,通过研究聚类风电机群并网的调峰调频问题能够简化对整个风电并网系统的分析和研究。本文以直驱式风电场为对象,研究聚类风电机群的等效建模方法和调峰调频优化控制方法。论文的主要工作包括以下几个方面:（1）基于直驱式风电机组的运行特性确立了风电场的多分群指标;以传统模糊聚类算法为基础,考虑不同样本和样本特征对聚类分群结果的贡献程度,通过给风电场内运行状况不同的机组和不同的机组参数分配相应的权值和权值指数,提出了一种自适应样本定权和样本特征定权的模糊聚类算法,以实际风电场系统为算例对所提算法进行了验证和评估。（2）为了提高机群等效模型的精度,考虑了尾流效应和风向变化对机群内不同机组输入风速的影响,根据等效前后机组输出特性不变的原则,采用容量加权法建立了机群的等效风力发电机组模型,根据等效前后电压差不变的原则建立了等效集电系统模型,通过在仿真平台上建立机群等效模型、风电场多机等效模型并与详细模型进行分析比较,验证了等效模型的准确性。（3）针对风电场传统有功功率分配算法效率低、维数灾的问题,提出了一种基于机群功率调节能力的风电场有功优化分配方法。根据机群中机组共同的特征定义并评价了机群的功率调节能力,以机群功率调节能力、机群内机组启停状态和风电场输出功率控制要求为目标建立了风电场功率分配多目标优化模型,并采用自适应调整变异方式的改进NSGA-Ⅱ算法进行求解,算例验证了所提分配方法能够充分发挥机群的功率调节能力,优化了机组的启停计划,提高了风电场输出功率的稳定性。（4）针对传统附加惯性控制和固定减载水平控制对机群和机组一次调频能力的制约,基于模糊控制原理对传统附加惯性控制进行了改进,通过定义不同风速下机组的减载水平实现了变减载水平控制。在全风速范围内结合变减载水平控制和模糊自适应附加惯性控制,提出了一种实现机组和机群一次调频的频率协调控制方法,在不同的风速和负荷扰动下进行了仿真实验,结果表明所提频率控制方法具有一定的优越性,能够有效改善负荷扰动下的频率稳态偏差和频率变化率。
刘银萍[10]（2020）在《基于PPI网络的蛋白质复合物和关键蛋白质识别算法研究》文中研究指明随着生物交叉网络信息技术的快速发展和多种生物基因的不断增多,大量蛋白质数据出现,使得研究蛋白质网络功能表达、作用环境、产生的影响、组成结构成为了生物网络研究的要点。特别是PPI网络中蛋白质复合物以及关键蛋白的发现,对探索疾病机制和药物研制方面有参考价值。近年来,虽然大量关于蛋白质复合物以及关键蛋白质的探究取得了突破性进展,大量数据由各种高通量技术手段获得,但由于PPI网络本身的复杂性、不可靠性和小世界性以及目前挖掘算法本身的局限性,得到的数据存在着较高比例的假阳性和假阴性,导致识别准确率不高,并且多数算法对蛋白质复合物和功能模块没有严格的界定。因此,从PPI网络中精确地挖掘复合物以及关键蛋白还存在很多挑战。本文提出了模糊蚁群聚类算法、模块度函数、模糊谱聚类算法以及基于复合物参与度和密度的识别算法对蛋白质复合物以及关键蛋白质进行检测。主要从两方面着手:第一,基于PPI网络本身的复杂性以及数据的缺陷,结合网络拓扑特性以及生物信息构建加权网络以及不确定网络。第二:针对于传统模块挖掘算法的缺陷,提出模糊蚁群算法、模块度函数以及模糊谱聚类算法来弥补传统算法的不足,同时也提出一些改进策略来优化这些算法本身的一些问题,进而实现蛋白质复合物的挖掘;在挖掘的复合物的基础之上,实现关键蛋白的识别。本文主要工作如下:（1）针对复合物识别效果受假阳性的影响、蚁群聚类算法的大量拾起放下和合并过滤操作、FCM聚类算法对开始中心和聚类数目敏感,隶属度函数更新较慢以及目标函数仅仅考虑类内差异等导致的复合物识别的准确率、召回率不高以及执行效率低等缺陷,提出一种基于模糊蚁群的加权蛋白质复合物识别算法FAC-PC。首先将边聚集系数与皮尔逊相关系数组合来构建加权网络;设计关键蛋白质和关键组蛋白质的度量选取公式,利用关键组蛋白质代替种子节点;设计基于权重的相似度度量优化蚁群算法的拾起放下概率,进而模拟蚁群聚类用于初始化FCM算法;同时通过隶属度的更新策略和兼顾类内和类间的目标迭代函数来改进FCM算法,利用改进的FCM算法实现复合物的挖掘。实验结果表明该方法比其他群智能蚁群优化算法以及其他复合物挖掘算法都能获得较准确的聚类效果。（2）针对基于模块度函数的复合物预测算法仅仅只分析网络的拓扑特性而未分析生物信息,难以识别出重叠和规模较小的复合物以及实验结果容易受假阳性和噪声数据的影响等导致的挖掘准确率、召回率不高以及执行效率较低等问题,提出一种基于模块度函数的加权蛋白质复合物识别算法IWPC-MF。首先将边聚集系数、点聚集系数和皮尔逊相关系数组合来构建加权网络;设计节点权重选择种子节点,遍历种子节点的邻居节点;其次设计节点间的相似度度量和蛋白质附着度来获取初始聚类模块;最后设计出基于紧密度的模块度函数来合并初始模块,完成复合物的挖掘。对比分析表明该算法能够更准确的识别复合物。（3）针对谱聚类融合FCM聚类的蛋白质网络复合物挖掘方法准确率不高、执行效率较低和易受假阳性影响等问题,基于不确定网络,提出一种基于模糊谱聚类的不确定PPI网络蛋白质复合物挖掘FSC-PC方法。首先利用边聚集系数构建不确定网络;结合边聚集系数和流行距离来改进谱聚类算法的相似度度量来降低数据的维数,对数据进行预处理;其次设计基于密度的概率中心选取策略来获得FCM算法的开始中心和聚类数目,并对预处理后的数据执行FCM聚类,从而得到蛋白质复合物;最后采用改进的边期望稠密度来过滤复合物。实验表明该算法比其他复合物预测算法更加准确。（4）针对基于PPI的关键蛋白质识别方法只分析网络结构,基于复合物信息的关键蛋白质识别方法对节点的邻域信息和复合物的挖掘对识别的影响效果考虑不够全面等导致的准确性以及特异性不高的问题,通过综合考虑蛋白质网络特性和生物信息,本文设计出基于复合物参与度和密度的关键蛋白质预测算法PEC。首先结合GO注释信息和边聚集系数构建加权网络;设计特征值间的最大本征差值以及蛋白质节点度来得到模糊谱聚类算法的划分数目和开始中心,进而利用模糊谱聚类算法来对复合物进行挖掘;其次利用基于复合物的参与度和节点邻域子图密度的关键节点得分计算来挖掘关键蛋白。实验结果表明该识别方法比拓扑中心性方法以及基于复合物信息的识别方法都有更好的识别准确性。
二、一种FCM聚类算法的改进（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种FCM聚类算法的改进（论文提纲范文）
（1）基于改进模糊C-均值聚类的供水管网压力监测点优化布置（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 供水管网存在的问题 |
| 1.1.2 优化压力监测点布置的研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与技术路线 |
| 1.3.1 本文研究内容 |
| 1.3.2 技术路线 |
| 第2章 供水管网水力模型的建立及监测点布置原则 |
| 2.1 供水管网水力模型基础 |
| 2.1.1 水力模型的水力计算方程 |
| 2.1.2 水力模型对象的属性 |
| 2.1.3 建立供水管网水力模型的目的 |
| 2.2 供水管网水力模型的建立 |
| 2.2.1 供水管网建模软件的选择 |
| 2.2.2 管网拓扑结构的建立 |
| 2.2.3 管网水力数据的输入与核验 |
| 2.3 供水管网压力监测点布置原则 |
| 2.4 本章小结 |
| 第3章 结合压力影响系数及改进FCM算法的监测点优化布置 |
| 3.1 供水管网压力影响系数矩阵 |
| 3.1.1 供水管网水力特性 |
| 3.1.2 管网压力影响系数矩阵求解 |
| 3.1.3 管网压力影响系数矩阵标准化 |
| 3.2 模糊聚类分析概述 |
| 3.3 FCM聚类算法 |
| 3.4 改进的FCM聚类算法 |
| 3.4.1 初始聚类中心的选取 |
| 3.4.2 改进的FCM聚类算法目标函数 |
| 3.4.3 改进FCM聚类算法步骤 |
| 3.5 压力监测点优化布置求解 |
| 3.5.1 压力监测点优化布置流程 |
| 3.5.2 算例管网的压力影响系数矩阵 |
| 3.5.3 改进FCM聚类算法求解压力监测点优化布置问题 |
| 3.5.4 传统FCM聚类算法求解压力监测点优化布置问题 |
| 3.5.5 压力监测点监测效果评定 |
| 3.6 本章小结 |
| 第4章 改进FCM算法优化监测点布置在实际供水管网中的应用 |
| 4.1 供水管网的水力概况 |
| 4.1.1 SPT区供水管网水力概况 |
| 4.1.2 HX区供水管网水力概况 |
| 4.2 SPT区供水管网压力监测点优化布置求解 |
| 4.2.1 SPT区供水管网压力影响系数矩阵 |
| 4.2.2 SPT区压力监测点优化布置结果 |
| 4.3 HX区供水管网压力监测点优化布置求解 |
| 4.3.1 HX区供水管网压力影响系数矩阵 |
| 4.3.2 HX区供水管网压力监测点优化布置结果 |
| 4.4 聚类结果分析 |
| 4.5 本章小结 |
| 第5章 供水管网新增压力监测点优化布置 |
| 5.1 管网新增压力监测点的问题 |
| 5.2 案例分析 |
| 5.2.1 计算实例 |
| 5.2.2 新增监测点监测效果评定 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文和科研成果 |
| 致谢 |
| 作者简介 |
（2）考虑源荷不确定性的冷热电联供系统优化配置与运行（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 冷热电联供系统国内外发展情况 |
| 1.2.2 冷热电联供系统数学建模研究现状 |
| 1.2.3 冷热电联供系统优化配置研究现状 |
| 1.2.4 冷热电联供系统日前优化运行研究现状 |
| 1.2.5 不确定性处理方法研究现状 |
| 1.3 研究内容与技术路线 |
| 2.冷热电联供系统数学模型 |
| 2.1 冷热电联供系统能流架构 |
| 2.2 燃气内燃机数学模型 |
| 2.3 吸收式制冷机组数学模型 |
| 2.4 蓄电池数学模型 |
| 2.5 储热罐数学模型 |
| 2.6 光伏发电设备数学模型 |
| 2.7 其他设备数学模型 |
| 2.8 系统能流计算模型 |
| 2.9 小结 |
| 3.改进模糊C均值聚类算法 |
| 3.1 模糊C均值聚类算法 |
| 3.2 模糊聚类有效性指标 |
| 3.2.1 PFS指标 |
| 3.2.2 Vp指标 |
| 3.3 熵权法 |
| 3.4 改进模糊C均值聚类算法计算流程 |
| 3.5 针对负荷与气象数据的聚类有效性检验 |
| 3.6 小结 |
| 4.基于改进模糊C均值聚类的冷热电联供系统双层优化配置模型 |
| 4.1 双层优化模型原理与结构 |
| 4.2 外层配置优化模型 |
| 4.2.1 决策变量与目标函数 |
| 4.2.2 约束条件与模型求解 |
| 4.2.3 多属性决策方法 |
| 4.3 内层运行优化模型 |
| 4.3.1 决策变量与目标函数 |
| 4.3.2 约束条件与模型求解 |
| 4.4 算例分析 |
| 4.4.1 问题描述 |
| 4.4.2 基于改进模糊C均值聚类算法的负荷与气象数据聚类 |
| 4.4.3 优化配置结果 |
| 4.4.4 与基于给定运行方式的单层优化配置模型对比 |
| 4.4.5 与基于模糊C均值聚类算法的配置模型对比 |
| 4.4.6 配置前后系统运行效益对比 |
| 4.5 小结 |
| 5.基于机会约束的冷热电联供系统多目标优化运行模型 |
| 5.1 典型日选择方法 |
| 5.2 多目标优化运行模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件与模型求解 |
| 5.3 机会约束模型 |
| 5.3.1 不确定变量的表示 |
| 5.3.2 机会约束模型的构建 |
| 5.3.3 机会约束模型的求解 |
| 5.4 模型流程 |
| 5.5 算例分析 |
| 5.5.1 问题描述 |
| 5.5.2 典型日选择 |
| 5.5.3 Pareto前沿与多属性决策 |
| 5.5.4 系统运行状态分析 |
| 5.5.5 运行方式对比 |
| 5.5.6 机会约束有效性检验 |
| 5.6 小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间主要研究成果 |
（3）黄河冰凌SAR图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究与发展现状 |
| 1.2.1 冰凌分类方法 |
| 1.2.2 冰凌厚度反演方法 |
| 1.3 论文内容与结构安排 |
| 第二章 极化SAR分类研究理论基础 |
| 2.1 矢量电磁波的极化表征 |
| 2.1.1 电磁波的极化方式 |
| 2.1.2 琼斯矢量 |
| 2.1.3 斯托克斯矢量 |
| 2.2 目标极化散射特征 |
| 2.2.1 后向散射矩阵S |
| 2.2.2 目标散射矢量 |
| 2.2.3 极化相干矩阵与极化协方差矩阵 |
| 2.3 极化目标分解理论 |
| 2.3.1 Cloude分解 |
| 2.3.2 Freeman-Durden三分量分解 |
| 2.3.3 Pauli相干分解 |
| 2.4 高斯加权系数模板 |
| 2.5 本章小结 |
| 第三章 黄河冰凌监督分类方法 |
| 3.1 引言 |
| 3.2 研究区域概况 |
| 3.2.1 地理位置及地形 |
| 3.2.2 河道冰情 |
| 3.3 研究数据来源 |
| 3.3.1 实测数据来源 |
| 3.3.2 遥感数据来源 |
| 3.4 遥感图像预处理 |
| 3.4.1 地理编码 |
| 3.4.2 斑点滤波 |
| 3.4.3 图像剪裁 |
| 3.5 传统的监督分类方法 |
| 3.5.1 基于马氏距离的分类方法 |
| 3.5.2 传统的最小距离分类方法 |
| 3.6 一种改进的基于高斯均值的最小距离分类方法 |
| 3.7 分类精度评价 |
| 3.8 本章小结 |
| 第四章 黄河冰凌无监督分类方法 |
| 4.1 引言 |
| 4.2 经典无监督分类方法和聚类算法 |
| 4.2.1 无监督分类方法 |
| 4.2.2 聚类算法 |
| 4.3 基于K-means聚类算法的无监督分类方法 |
| 4.4 基于FCM聚类算法的无监督分类方法 |
| 4.5 基于FCM聚类算法的决策树二次分类方法 |
| 4.5.1 目标研究区域河冰散射模型 |
| 4.5.2 算法流程 |
| 4.6 分类精度评价 |
| 4.7 本章小结 |
| 第五章 黄河冰凌厚度反演方法 |
| 5.1 引言 |
| 5.2 研究区域河冰的统计特性 |
| 5.3 极化参数与河冰厚度相关性分析 |
| 5.4 多元参数厚度反演方法 |
| 5.4.1 方法流程 |
| 5.4.2 理论分析 |
| 5.5 厚度反演结果及精度评价 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 发表的学术论文 |
| 取得的科研成果 |
| 个人简历 |
（4）证件照及抠像三分图自动生成算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容及创新点 |
| 1.3 论文结构安排 |
| 第二章 研究基础及研究现状 |
| 2.1 图像抠像 |
| 2.1.1 基于颜色采样抠像方法 |
| 2.1.2 基于alpha值传播的抠像方法 |
| 2.2 抠像方法 |
| 2.2.1 K近邻抠像 |
| 2.2.2 信息流抠像 |
| 2.3 DRFI显着图生成算法 |
| 2.3.1 多级图像分割 |
| 2.3.2 区域显着性计算 |
| 2.3.3 多级显着融合 |
| 2.4 Lazy snapping工具算法 |
| 2.5 本章小结 |
| 第三章 TFR算法的身份证照自动生成 |
| 3.1 问题的提出和设计思想 |
| 3.2 头顶距裁剪T算法 |
| 3.2.1 参数定义 |
| 3.2.2 头顶定位 |
| 3.2.3 图像缩放 |
| 3.2.4 算法效果图 |
| 3.3 改进Flood Fill的 F算法 |
| 3.3.1 Flood Fill算法介绍 |
| 3.3.2 改进的Flood Fill算法背景替换 |
| 3.3.3 算法效果图 |
| 3.4 均值RGB换肤R算法 |
| 3.5 实验效果分析 |
| 3.5.1 有效性与实用性实验 |
| 3.5.2 对比性实验 |
| 3.6 本章小结 |
| 第四章 融合KNN优化密度峰值的KDPC-FCM聚类算法 |
| 4.1 问题的提出和设计思想 |
| 4.2 KNN优化的DPC算法 |
| 4.2.1 算法基本思想 |
| 4.2.2 算法局限性分析 |
| 4.3 KDPC和 FCM的融合算法 |
| 4.3.1 DPC算法的改进KDPC |
| 4.3.2 FCM聚类算法 |
| 4.3.3 算法思想 |
| 4.3.4 算法步骤 |
| 4.3.5 算法具体流程 |
| 4.4 实验分析 |
| 4.4.1 初始化聚类中心对比分析 |
| 4.4.2 抗噪性对比分析 |
| 4.4.3 聚类效果及鲁棒性对比分析 |
| 4.4.4 性能对比分析 |
| 4.5 本章小结 |
| 第五章 ESD算法的抠像三分图自动生成 |
| 5.1 问题的提出和设计思想 |
| 5.1.1 三分图自动生成算法 |
| 5.1.2 未知区域检测/三分图修剪算法 |
| 5.1.3 相关工作的局限性 |
| 5.1.4 本章算法设计思想 |
| 5.2 基于DRFI前景提示估计E算法 |
| 5.3 基于Lazy snapping前景分割S算法 |
| 5.4 基于KDPC-FCM的未知区域检测D算法 |
| 5.5 实验结果与讨论 |
| 5.5.1 实验对比分析 |
| 5.5.2 讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文结论 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）FCM算法研究及其在文献推荐系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 聚类算法的研究现状 |
| 1.3 推荐系统的研究现状 |
| 1.4 本文主要工作及结构安排 |
| 第2章 自动确定类数的FCM聚类算法AMMF |
| 2.1 FCM聚类算法 |
| 2.2 近邻传播聚类算法 |
| 2.3 轮廓系数 |
| 2.4 AMMF算法 |
| 2.5 实验与分析 |
| 2.5.1 确定聚类数上限 |
| 2.5.2 实验结果分析 |
| 2.5.3 聚类性能分析 |
| 2.6 本章小结 |
| 第3章 基于密度敏感距离的AMMF-DSD聚类算法 |
| 3.1 密度敏感距离 |
| 3.2 AMMF-DSD算法 |
| 3.2.1 基于密度敏感距离优化的FCM算法 |
| 3.2.2 AMMF-DSD算法流程图 |
| 3.3 实验与分析 |
| 3.3.1 确定最佳聚类数 |
| 3.3.2 人工数据集实验 |
| 3.3.3 真实数据集实验 |
| 3.4 本章小结 |
| 第4章 基于AMMF聚类算法的文献推荐系统 |
| 4.1 系统开发需求 |
| 4.2 系统基本设计 |
| 4.2.1 系统结构设计 |
| 4.2.2 AMMF-CF算法 |
| 4.3 数据预处理 |
| 4.3.1 数据的获取 |
| 4.3.2 数据的处理 |
| 4.4 系统开发与实现 |
| 4.4.1 开发环境 |
| 4.4.2 系统实现 |
| 4.4.3 文献推荐 |
| 4.5 推荐性能分析 |
| 4.5.1 评测指标 |
| 4.5.2 性能分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（6）基于肿瘤基因表达数据的加权聚类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与创新 |
| 1.4 本文结构安排 |
| 2 现有的肿瘤基因表达数据的分析方法 |
| 2.1 肿瘤的发展 |
| 2.2 基因表达数据分析 |
| 2.2.1 基因表达数据的介绍 |
| 2.3 基因表达数据的表示 |
| 2.3.1 基因表达数据的预处理 |
| 2.4 常用的聚类分析方法 |
| 2.4.1 聚类算法分析的定义 |
| 2.4.2 K-均值聚类 |
| 2.4.3 模糊聚类算法 |
| 2.5 FCM算法的公式与步骤 |
| 2.6 特征加权 |
| 2.7 加权的FCM算法 |
| 2.8 聚类效果的评价指标 |
| 3 基于Jeffery散度相似性度量加权FCM聚类算法 |
| 3.1 相似性度量的方法及性质 |
| 3.2 Jeffrey散度 |
| 3.3 算法改进 |
| 3.3.1 Jeffery散度相似性度量与加权FCM相结合 |
| 3.3.2 改进算法步骤 |
| 3.4 实验与分析 |
| 3.5 基于Jeffrey散度相似性度量的加权FCM聚类算法在肿瘤基因表达数据上应用 |
| 3.6 本章小结 |
| 4 基于预处理结果属性约减的特征加权FCM算法 |
| 4.1 FCM算法局限性的分析 |
| 4.2 基于预处理结果属性约减的特征加权FCM算法 |
| 4.2.1 Relief F算法 |
| 4.2.2 Relief F算法步骤 |
| 4.3 算法的改进与结合 |
| 4.4 实验与分析 |
| 4.4.1 实验所用数据集与实验环境 |
| 4.4.2 实验结果与分析 |
| 4.5 RW-FCM算法在肿瘤基因表达数据的应用 |
| 4.5.1 实验与分析 |
| 4.6 本章总结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（7）基于FCM聚类的噪声图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 图像分割的概念与算法 |
| 1.2.1 图像分割概念 |
| 1.2.2 图像分割算法 |
| 1.3 图像分割评价指标 |
| 1.4 本文主要工作 |
| 1.5 论文结构安排 |
| 2 模糊C均值聚类算法综述 |
| 2.1 聚类算法 |
| 2.2 模糊集合理论 |
| 2.3 模糊C均值聚类算法 |
| 2.4 抗噪性FCM聚类算法研究进展 |
| 2.5 本章小结 |
| 3 基于局部信息的改进FCM噪声图像分割算法 |
| 3.1 局部信息 |
| 3.2 基于局部信息的改进FCM聚类图像分割算法研究进展 |
| 3.2.1 BCFCM算法 |
| 3.2.2 FCM_S算法 |
| 3.2.3 FLICM算法 |
| 3.3 基于自适应图像局部空间与灰度信息以及隶属度连接的改进FCM聚类算法 |
| 3.3.1 采用图像局部空间和局部灰度信息的动机 |
| 3.3.2 隶属度连接 |
| 3.3.3 约束因子α和β自适应指定 |
| 3.3.4 目标函数更新公式推导 |
| 3.3.5 算法执行步骤 |
| 3.4 实验分析 |
| 3.4.1 图像噪声设置 |
| 3.4.2 实验环境与参数设置 |
| 3.4.3 灰度图像分割结果 |
| 3.4.4 算法参数分析 |
| 3.4.5 彩色图像分割结果 |
| 3.4.6 算法复杂度分析 |
| 3.5 本章小结 |
| 4 基于非局部空间信息的改进FCM噪声图像分割算法 |
| 4.1 非局部空间信息 |
| 4.2 基于非局部空间信息的改进FCM聚类算法研究进展 |
| 4.2.1 FCM_NLS算法 |
| 4.2.2 NWFCM算法 |
| 4.2.3 SNLS_IFCM算法 |
| 4.3 快速自适应非局部空间加权与隶属度连接的改进FCM聚类算法 |
| 4.3.1 非局部空间信息快速计算 |
| 4.3.2 自适应权重 |
| 4.3.3 算法执行步骤 |
| 4.4 实验分析 |
| 4.4.1 实验环境与参数设置 |
| 4.4.2 灰度图像分割结果 |
| 4.4.3 彩色图像分割效果 |
| 4.4.4 算法复杂度分析 |
| 4.5 本章小结 |
| 5 基于像素空间信息和隶属度先验信息的改进FCM聚类算法 |
| 5.1 基于隶属度先验信息的改进FCM聚类 |
| 5.2 含空间信息和隶属度先验信息的改进FCM聚类研究进展 |
| 5.2.1 HMRF-FCM算法 |
| 5.2.2 文献[67]的方法 |
| 5.2.3 LMDKLFCM算法 |
| 5.3 基于局部和区域级信息以及隶属度局部中值的改进FCM聚类算法 |
| 5.3.1 局部与区域级信息融合 |
| 5.3.2 隶属度离群值抑制 |
| 5.3.3 自适应加权 |
| 5.3.4 目标函数更新公式推导 |
| 5.3.5 算法执行步骤 |
| 5.4 实验分析 |
| 5.4.1 KL散度对比实验 |
| 5.4.2 实验环境与参数设置 |
| 5.4.3 灰度图像分割结果 |
| 5.4.4 算法参数分析 |
| 5.4.5 彩色图像分割结果 |
| 5.4.6 算法复杂度分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于RBF神经网络的短时交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 短时交通流预测研究现状 |
| 1.2.2 基于神经网络的短时交通流预测研究现状 |
| 1.3 研究内容 |
| 1.4 结构安排 |
| 1.5 本章小结 |
| 第2章 交通流特性分析及数据预处理 |
| 2.1 引言 |
| 2.2 交通流预测相关参数 |
| 2.3 交通数据来源 |
| 2.4 交通流特性分析 |
| 2.4.1 交通流的趋势变化 |
| 2.4.2 交通流周期性 |
| 2.4.3 交通流随机性 |
| 2.5 交通流数据预处理 |
| 2.5.1 交通流数据修复 |
| 2.5.2 交通流数据降噪 |
| 2.5.3 交通流数据归一化操作处理 |
| 2.6 本章小结 |
| 第3章 基于RBF神经网络的短时交通流预测 |
| 3.1 引言 |
| 3.2 RBF神经网络概述 |
| 3.3 基于RBF神经网络的短时交通流预测 |
| 3.3.1 RBF神经网络参数训练 |
| 3.3.2 RBF神经网络的交通流预测 |
| 3.4 实验与结果分析 |
| 3.4.1 实验设计 |
| 3.4.2 结果分析 |
| 3.4.3 模型评价 |
| 3.5 本章小结 |
| 第4章 基于IFA-RBF的短时交通流预测 |
| 4.1 引言 |
| 4.2 萤火虫算法概述 |
| 4.2.1 萤火虫算法原理 |
| 4.2.2 萤火虫算法的数学描述 |
| 4.3 改进的萤火虫算法 |
| 4.4 基于IFA-RBF的短时交通流预测 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设计 |
| 4.5.2 结果分析 |
| 4.5.3 模型评价 |
| 4.6 本章小结 |
| 第5章 基于FCM-IFA-RBF的短时交通流预测 |
| 5.1 引言 |
| 5.2 FCM聚类算法相关理论 |
| 5.2.1 FCM原理简介 |
| 5.2.2 FCM算法流程 |
| 5.2.3 FCM聚类算法优化 |
| 5.3 基于FCM-IFA-RBF的短时交通流预测模型建立 |
| 5.3.1 FCM-IFA-RBF预测模型构建思路 |
| 5.3.2 基于FCM的交通流模式划分 |
| 5.3.3 FCM-IFA-RBF模型的组合预测 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设计 |
| 5.4.2 结果分析 |
| 5.4.3 模型评价 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读硕士学位期间参与项目和发表学术论文 |
（9）聚类风电机群等效建模与优化控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题国内外研究现状分析 |
| 1.2.1 风电场等效建模研究现状 |
| 1.2.2 变速风电机组(场)频率控制研究现状 |
| 1.2.3 风电场功率控制研究现状 |
| 1.3 本文主要研究工作 |
| 第2章 直驱式风电机组基本理论 |
| 2.1 引言 |
| 2.2 D-PMSG机组基本结构和工作原理 |
| 2.2.1 基本结构 |
| 2.2.2 工作原理 |
| 2.3 D-PMSG机组数学模型 |
| 2.3.1 风力机及轴系模型 |
| 2.3.2 控制系统模型 |
| 2.3.3 发电机-变流器模型 |
| 2.4 D-PMSG机组运行特性 |
| 2.4.1 正常运行特性 |
| 2.4.2 减载运行特性 |
| 2.5 本章小结 |
| 第3章 基于ASW-FCM算法的风电场聚类分群 |
| 3.1 引言 |
| 3.2 风电场多分群指标 |
| 3.3 ASW-FCM聚类算法 |
| 3.3.1 FCM聚类算法原理 |
| 3.3.2 ASW-FCM聚类算法原理 |
| 3.4 基于ASW-FCM算法的风电场分群 |
| 3.5 实际风电场聚类分群与算法评估 |
| 3.5.1 含相同容量风电机组的风电场 |
| 3.5.2 含不同容量风电机组的风电场 |
| 3.6 本章小结 |
| 第4章 聚类风电机群等效建模 |
| 4.1 引言 |
| 4.2 风电场和聚类风电机群等效模型结构 |
| 4.3 计及尾流效应和风向变化影响的输入风速 |
| 4.3.1 计及尾流效应影响的输入风速 |
| 4.3.2 计及风向变化影响的输入风速 |
| 4.4 等效风力发电机组模型 |
| 4.4.1 等效风力机模型 |
| 4.4.2 等效发电机模型 |
| 4.4.3 等效轴系模型 |
| 4.4.4 等效变压器模型 |
| 4.5 等效集电线路模型 |
| 4.6 风电场多机等效模型建立 |
| 4.7 仿真与分析 |
| 4.7.1 考虑尾流效应和风向变化影响的机群等效模型验证 |
| 4.7.2 含相同容量风电机组的风电场多机等效模型验证 |
| 4.7.3 含不同容量风电机组的风电场多机等效模型验证 |
| 4.8 本章小结 |
| 第5章 基于机群功率调节能力的风电场有功优化分配 |
| 5.1 引言 |
| 5.2 风电场有功功率分配控制结构 |
| 5.3 聚类风电机群功率调节能力定义 |
| 5.4 聚类风电机群功率调节能力评价 |
| 5.4.1 基于变异系数法的权值计算 |
| 5.4.2 机群功率调节能力评价 |
| 5.5 基于机群功率调节能力的风电场有功功率分配 |
| 5.5.1 目标函数 |
| 5.5.2 约束条件 |
| 5.5.3 求解算法 |
| 5.6 仿真与分析 |
| 5.6.1 聚类风电机群功率调节能力评价 |
| 5.6.2 功率分配算法验证 |
| 5.7 本章小结 |
| 第6章 聚类风电机群一次调频控制 |
| 6.1 引言 |
| 6.2 模糊自适应附加惯性控制 |
| 6.2.1 传统附加惯性控制原理 |
| 6.2.2 模糊自适应附加惯性控制原理 |
| 6.3 变减载水平功率备用控制 |
| 6.3.1 减载控制原理 |
| 6.3.2 变减载水平控制原理 |
| 6.4 D-PMSG机组一次调频协调控制 |
| 6.4.1 风速区间划分 |
| 6.4.2 不同区域机组一次调频协调控制 |
| 6.5 聚类风电机群一次调频特性 |
| 6.6 D-PMSG机组频率协调控制仿真与分析 |
| 6.6.1 仿真系统介绍 |
| 6.6.2 风速与初始减载水平的关系 |
| 6.6.3 模糊自适应附加惯性控制仿真与分析 |
| 6.6.4 频率协调控制仿真与分析 |
| 6.7 聚类风电机群一次调频仿真与分析 |
| 6.7.1 仿真系统介绍 |
| 6.7.2 低风速机群一次调频仿真 |
| 6.7.3 高风速机群一次调频仿真 |
| 6.8 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文完成的主要工作 |
| 7.2 进一步研究问题 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（10）基于PPI网络的蛋白质复合物和关键蛋白质识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 蛋白质复合物研究现状 |
| 1.2.2 关键蛋白研究现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 第二章 基础知识介绍 |
| 2.1 FCM聚类算法 |
| 2.2 蚁群聚类算法 |
| 2.3 谱聚类算法 |
| 2.4 PPI网络 |
| 2.6 本章小结 |
| 第三章 基于模糊蚁群聚类的蛋白质复合物挖掘 |
| 3.1 加权蛋白质网络的构建 |
| 3.2 蚁群算法的改进 |
| 3.2.1 关键蛋白质的选取 |
| 3.2.2 关键组蛋白质的形成 |
| 3.2.3 相似度改进的SI度量 |
| 3.3 FCM算法的改进 |
| 3.3.1 隶属度更新的改进策略 |
| 3.3.2 FCM目标函数选取的改进 |
| 3.4 算法流程 |
| 3.5 算法复杂度分析 |
| 3.6 实验结果及分析 |
| 3.6.1 实验数据集 |
| 3.6.2 评价指标 |
| 3.6.3 参数影响分析 |
| 3.6.4 EPS度量的有效性分析 |
| 3.6.5 PFC和SI度量的有效性分析 |
| 3.6.6 算法性能的比较分析 |
| 3.7 本章小结 |
| 第四章 基于模块度函数的蛋白质复合物挖掘 |
| 4.1 加权蛋白质网络的构建 |
| 4.1.1 PPI网络的网络结构特性 |
| 4.1.2 蛋白质的皮尔逊相关系数 |
| 4.1.3 蛋白质网络的加权 |
| 4.2 初始模块的形成 |
| 4.3 初始模块的合并 |
| 4.4 算法流程 |
| 4.5 算法复杂度分析 |
| 4.6 实验结果及分析 |
| 4.6.1 实验数据集 |
| 4.6.2 评价指标 |
| 4.6.3 参数影响分析 |
| 4.6.4 边点聚集系数度量的有效性分析 |
| 4.6.5 加权蛋白质网络的性能分析 |
| 4.6.6 优化的模块度函数的有效性分析 |
| 4.6.7 算法性能的比较分析 |
| 4.7 本章小结 |
| 第五章 基于模糊谱聚类的蛋白质复合物检测 |
| 5.1 不确定网络的构建 |
| 5.2 谱聚类算法的改进 |
| 5.3 FCM聚类算法的改进 |
| 5.4 复合物的过滤 |
| 5.5 算法流程 |
| 5.6 算法复杂度分析 |
| 5.7 实验结果及分析 |
| 5.7.1 实验数据集 |
| 5.7.2 评价指标 |
| 5.7.3 参数影响分析 |
| 5.7.4 FEC度量的有效性分析 |
| 5.7.5 DPCS和 EDD策略的有效性分析 |
| 5.7.6 算法的性能比较分析 |
| 5.8 本章小结 |
| 5.9 三种复合物挖掘算法的对比分析 |
| 第六章 基于复合物参与度和密度的关键蛋白质识别 |
| 6.1 加权蛋白质网络的构建 |
| 6.2 复合物的挖掘 |
| 6.3 关键蛋白质的识别 |
| 6.3.1 复合物参与度计算 |
| 6.3.2 子图密度 |
| 6.4 算法流程 |
| 6.5 实验结果及分析 |
| 6.5.1 实验数据集 |
| 6.5.2 参数影响分析 |
| 6.5.3 性能比较分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
四、一种FCM聚类算法的改进（论文参考文献）
- [1]基于改进模糊C-均值聚类的供水管网压力监测点优化布置[D]. 王翔. 河北工程大学, 2021
- [2]考虑源荷不确定性的冷热电联供系统优化配置与运行[D]. 冯培基. 西安理工大学, 2021(01)
- [3]黄河冰凌SAR图像分类方法研究[D]. 肖晨宇. 内蒙古工业大学, 2021(01)
- [4]证件照及抠像三分图自动生成算法研究[D]. 黄敏. 江西理工大学, 2021(01)
- [5]FCM算法研究及其在文献推荐系统中的应用[D]. 王淑艳. 西北师范大学, 2021(12)
- [6]基于肿瘤基因表达数据的加权聚类算法研究[D]. 马宁. 兰州交通大学, 2021(02)
- [7]基于FCM聚类的噪声图像分割算法研究[D]. 王庆圣. 兰州交通大学, 2021(02)
- [8]基于RBF神经网络的短时交通流预测研究[D]. 张敏. 兰州理工大学, 2021(01)
- [9]聚类风电机群等效建模与优化控制研究[D]. 李牡丹. 华北电力大学(北京), 2021
- [10]基于PPI网络的蛋白质复合物和关键蛋白质识别算法研究[D]. 刘银萍. 江西理工大学, 2020(01)
标签：聚类论文; 模糊c-均值聚类算法论文; 模糊聚类分析论文; 模糊理论论文; 网络优化论文;