导读:本文包含了模糊数据类型论文开题报告文献综述及选题提纲参考文献，主要关键词:分类数据,模糊聚类,初始中心选择,遗传算法
模糊数据类型论文文献综述
王思杰[1]（2018）在《面向分类型数据的模糊聚类算法研究》一文中研究指出随着信息技术在工业界的迅猛发展,数据的规模与人们获取的数据也与日俱增,对这些海量数据的处理已成为近来年备受关注的问题。数据挖掘作为一种通用的知识发现技术,是在海量数据中发现数据间内在关系的过程。聚类分析技术是数据挖掘中对数据处理的一种重要方法。由于数据不断呈现出属性类型的多样性、规模的海量性、分布的不均匀性,不同的数据类型需要不同的聚类算法。目前,对数值型数据的聚类分析取得很多的成果,而在实际应用中存在大量的分类型数据。由于分类型数据不具有数值型数据固有的几何特性,因而在聚类算法和模型上与数值型数据有较大不同,近年来针对分类型数据聚类算法的研究得到了广泛的关注。模糊聚类通过将模糊集理论应用到聚类分析中,提高对数据的模糊处理能力,能较为清晰、客观地反映现实事物,因而在许多领域被广泛应用。模糊k-modes(FKM)算法是模糊聚类中备受关注的一种算法,具有局部寻优能力强且收敛速度快的特点,成为分类型数据模糊聚类算法关注的热点。但FKM算法对初始中心点的选取较为敏感,算法以不同的初始中心进行聚类会得到不同的结果,影响最终的聚类结果。此外FKM算法由于采用迭代的搜索技术,同时解空间内存在大量局部最优点,因此易陷入局部最优,而无法得到全局最优。针对以上问题,本文开展了以下工作:(1)提出结合离群点检测的初始中心选择算法。针对FKM算法对初始中心选取敏感这一问题,通过调整初始中心选择过程中距离与密度之间的关系,加大初始中心选择中距离所占的权重,使得寻找到的初始中心更具有分布性。同时,引入基于距离的离群点检测技术,对改进初始中心选择后得到的候选数据集进行筛选,将候选数据集中的离群度较大的点剔除。实验结果表明,改进的初始中心选择方法提高FKM算法的准确率与精度,降低FKM算法对初始中心选取的敏感程度。(2)提出基于改进遗传算法的模糊聚类算法(IGAFKM)。将遗传算法与模糊聚类算法相结合,利用遗传算法的随机搜索提高模糊k-modes算法的全局寻优能力,加快算法的收敛速度。遗传算法是一种全局优化算法,通过模拟自然界生物的进化过程搜索问题的最优解,具有算法简单,搜索范围广泛的特点。根据种群中个体的多样性,对遗传算法的交叉与变异算子进行动态调整,以保证整个种群的多样性,避免算法收敛到局部最优,加快算法向全局最优点的收敛过程,从而提高FKM算法的全局寻优能力。实验结果表明,改进遗传算法的模糊聚类算法(IGAFKM)与FKM算法,传统遗传模糊聚类算法(GAFKM)相比在收敛速度上有所提升,同时IGAFKM算法的准确率也优于FKM算法与传统遗传模糊聚类算法(GAFKM)算法。(本文来源于《西南大学》期刊2018-04-08）
荀瑞新[2]（2011）在《基于模糊聚类算法的故障数据分析与类型识别》一文中研究指出为精确分析测量系统故障数据和识别故障类型,提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度,因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点,从而使诊断的数据更加精确。(本文来源于《现代计算机(专业版)》期刊2011年26期）
赵法信,马宗民,王海龙[3]（2011）在《一种支持自定义模糊数据类型表示的模糊OWL扩展》一文中研究指出语义网需要能够以一种智能的方式来表示和处理模糊知识与数据信息,但最近的研究证明,OWL在数据类型表示方面存在严重的局限性:首先,它不能处理在语义网和本体中广泛存在的不精确以及不确定信息;其次,它不支持自定义数据类型及自定义数据类型谓词的表示。为了解决上述局限性,提出了一种新的模糊描述逻辑F-SHOIN(G),给出了F-SHOIN(G)的语法、语义。然后,以F-SHOIN(G)为逻辑基础,并结合RDF/XML的语法规范,重新编码OWL中的描述算子,用来表示模糊本体知识,形成f-OWL。f-OWL不仅能够表示本体中的模糊知识,而且能够表示本体中含有自定义模糊数据类型及自定义模糊数据类型谓词的模糊数据信息,为模糊本体的研究提供了新的表示方法。最后,还给出了由OWL文件到f-OWL文件的转换规则,从而实现了f-OWL对OWL的兼容。(本文来源于《计算机科学》期刊2011年06期）
王海龙,马宗民,严丽,程经纬[4]（2009）在《支持模糊数据类型表示的模糊描述逻辑F-SHOIQ(G)》一文中研究指出分析了现有描述逻辑在模糊知识和数据类型表示方面存在的问题,提出了一种新的模糊描述逻辑F-SHOIQ(G).F-SHOIQ(G)不仅能够表示模糊知识,而且能够表示含有自定义模糊数据类型及自定义模糊数据类型谓词的模糊数据信息.首先,给出了模糊数据类型域的概念和模糊数据类型表示的一般形式,在此基础上,定义了F-SHOIQ(G)的语法、语义及相应的知识库,进而给出了基于模糊Tableaux的F-SHOIQ(G)概念的可满足性推理算法.其次,将经典描述逻辑中的推理结构(该结构将Tableaux扩展规则推理和数据类型推理相分离)用于F-SHOIQ(G)的推理问题,设计了相应的模糊数据类型推理机.最后,详细证明了F-SHOIQ(G)概念的可满足性推理问题是可判定的.在数据类型表示方面,F-SHOIQ(G)具备比FSHOIQ更强的表达能力和推理能力,为语义Web表示和推理模糊数据信息提供了理论基础.(本文来源于《计算机学报》期刊2009年08期）
王海龙[5]（2009）在《支持模糊数据类型表示的模糊描述逻辑研究》一文中研究指出语义Web是当前Web的扩展,它赋予Web资源信息机器可理解的语义,从而便于人和计算机之间的交互与协作。为了让机器能够理解Web资源信息并做推理,需要建立本体,并利用本体语言来表示语义Web中的知识和语义。目前,面向语义Web的本体语言主要有OIL, DAML+OIL和OWL等。为了使语义Web具备可推理的性质,上述本体语言都以描述逻辑作为逻辑基础。由于很多语义Web应用需要处理大量的模糊知识,而现有描述逻辑及OWL语言不能直接用于模糊知识的表示和推理,因而近年来国内外大量的研究工作致力于描述逻辑及OWL的模糊扩展。然而,通过分析国内外在描述逻辑模糊扩展、描述逻辑推理机实现以及OWL模糊扩展等方面的研究现状发现,现有描述逻辑以及OWL语言的模糊扩展无法表示含有自定义模糊数据类型及自定义模糊数据类型谓词的模糊数据信息,而这类复杂模糊数据类型信息在很多数据和知识密集型实际应用中发挥着关键的作用。为此,本文对支持自定义模糊数据类型及谓词表示的模糊描述逻辑、相应的推理机以及相应的模糊OWL扩展语言展开了深入的研究。具体研究内容包括以下几个方面：(1)首先,通过与XML Schema的派生数据类型机制及其模糊扩展形式的类比,指出OWL语言及作为其逻辑基础的描述逻辑在模糊数据类型表示方面存在的不足和局限性；然后,从描述逻辑的角度给出了模糊数据类型域G的定义,在此基础上给出了模糊数据类型表达式的语法形式及语义解释,进而定义了模糊数据类型查询及其可满足性的概念,同时还进一步研究了如何对模糊数据类型域的表达能力进行限制以保证其可判定性；最后,讨论了基于一致性模糊数据类型域的模糊数据类型表达式联合查询的可判定性问题。(2)在描述逻辑F-ALC的基础上,扩展模糊数据类型域G,提出了一种新的模糊描述逻辑F-ALC(G)。首先,定义了F-ALC(G)的语法、语义以及知识库的组成；其次,定义了关于F-ALC(G) ABox的模糊推演表,进而给出了基于模糊推演表的F-ALC(G) ABox的一致性判定算法,将经典描述逻辑中的推理结构(该结构将基于推演表的扩展规则推理和数据类型推理相分离)加以扩展,使之适用于F-ALC(G)的推理问题,并设计了相应的模糊数据类型推理机,同时,给出了由F-ALC(G)的其它推理问题到ABox一致性判定问题的转化过程；最后,证明了F-ALC(G) ABox的一致性判定算法的可终止性,进而证明了算法的可靠性、完备性,分析了其复杂度,并对推理算法进行了优化,使得算法优化后的平均执行复杂度趋向于多项式空间。(3)基于提出的模糊描述逻辑F-ALC(G),设计并实现了一款模糊描述逻辑推理机——FRESG1.0。简要介绍了FRESG1.0的主要推理功能以及所使用的编程语言；详细描述了FRESG1.0的总体结构及其主要组成部分的设计与实现,其中着重阐述了FRESG1.0推理机的特色和设计实现过程中所采用的算法、实现技术；最后,给出了测试案例,并分析了FRESG1.0推理机的表达能力和性能。(4)由于F-ALC(G)在表达能力方面尚不足以作为模糊扩展OWL的逻辑基础,提出了一种表达能力更强的模糊描述逻辑F-SHOIN(G).首先定义了F-SHOIN(G)的语法、语义及相应的知识库,并深入研究了F-SHOIN(G)概念的可满足性判定算法,进而证明了算法的可终止性、可靠性以及完备性等。在讨论过程中,相对于模糊描述逻辑F-ALC(G),重点研究了由于引入新的模糊构造子(如角色传递S、角色逆I等)所产生的对于模糊数据类型推理的新变化。最后,通过对两种具有代表性的模糊描述逻辑F-ALC(G)、F-SHOIN(G)的分析,归纳出具有普遍意义的G-扩展模糊描述逻辑,研究其定义以及推理算法的构成、推理结构等。(5)基于模糊描述逻辑F-SHOIN(G),并结合RDF/XML的语法规范,重新编码OWL DL类描述、公理和事实,用来表示模糊本体中的模糊抽象知识和模糊数据类型信息,形成f-OWL。同时提出了从OWL到f-OWL的转换规则,统一了模糊本体中精确和模糊知识的表示方法,实现了f-OWL对OWL DL的兼容。最后,给出了从f-OWL本体到F-SHOIN(G)描述逻辑的转换方法,从而最终将f-OWL的推理问题转化为F-SHOIN(G)的概念可满足性判定问题进行解决。(本文来源于《东北大学》期刊2009-05-01）
伍忠东,高新波,谢维信[6]（2004）在《基于核方法的分类型属性数据集模糊聚类算法》一文中研究指出针对分类型属性数据的聚类问题 ,将核方法的思想推广到快速、高效率的模糊c -均值算法 ,构造了基于核函数的模糊核c -均值聚类算法 .该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息 ,并且避免了模糊k modes算法中每次迭代均要直接计算类中心的缺点 ,提高了聚类的精确度和稳定性 ,同时该算法对模式 (类中心 )的初始值选择不敏感 .对实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性(本文来源于《华南理工大学学报(自然科学版)》期刊2004年09期）
陈宁,陈安,周龙骧[7]（2001）在《数值型和分类型混合数据的模糊K-Prototypes聚类算法(英文)》一文中研究指出由于数据库经常同时包含数值型和分类型的属性 ,因此研究能够处理混合型数据的聚类算法无疑是很重要的 .讨论了混合型数据的聚类问题 ,提出了一种模糊 K- prototypes算法 .该算法融合了 K- means和 K- modes对数值型和分类型数据的处理方法 ,能够处理混合类型的数据 .模糊技术体现聚类的边界特征 ,更适合处理含有噪声和缺失数据的数据库 .实验结果显示 ,模糊算法比相应的确定算法得到的结果准确度高(本文来源于《软件学报》期刊2001年08期）
吴永桥[8]（1999）在《疲劳试验数据分布类型的模糊判别》一文中研究指出从试验数据拟合分布函数的基本原理出发,通过单个因子到整体的比较,判定试验值的基本模型,为疲劳试验数据分布类型的判定提供了一种简便的实用方法.(本文来源于《武汉水利电力大学学报》期刊1999年06期）
模糊数据类型论文开题报告
（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：
为精确分析测量系统故障数据和识别故障类型,提出一种基于模糊聚类算法的故障数据分析方法。该方法首先用小波变换有效地检测出系统故障的微弱非线性不规则信号,再用模糊聚类的方法对故障进行分类识别。由于该算法在目标函数中加入隶属度函数,同时定义明可夫斯基的距离测度,因此能够克服K-means算法不适用于进行非凸形状的聚类的缺点,从而使诊断的数据更加精确。
（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。
模糊数据类型论文参考文献
[1].王思杰.面向分类型数据的模糊聚类算法研究[D].西南大学.2018
[2].荀瑞新.基于模糊聚类算法的故障数据分析与类型识别[J].现代计算机(专业版).2011
[3].赵法信,马宗民,王海龙.一种支持自定义模糊数据类型表示的模糊OWL扩展[J].计算机科学.2011
[4].王海龙,马宗民,严丽,程经纬.支持模糊数据类型表示的模糊描述逻辑F-SHOIQ(G)[J].计算机学报.2009
[5].王海龙.支持模糊数据类型表示的模糊描述逻辑研究[D].东北大学.2009
[6].伍忠东,高新波,谢维信.基于核方法的分类型属性数据集模糊聚类算法[J].华南理工大学学报(自然科学版).2004
[7].陈宁,陈安,周龙骧.数值型和分类型混合数据的模糊K-Prototypes聚类算法(英文)[J].软件学报.2001
[8].吴永桥.疲劳试验数据分布类型的模糊判别[J].武汉水利电力大学学报.1999