Learnable Weighting of Intra-Attribute Distances for Categorical Data Clustering with Nominal and Ordinal Attributes
IEEE
研究用于分类数据聚类的距离度量，提出统一测量标称和有序属性内距离的新方法及新聚类算法，将属性内距离权重学习和数据划分整合为单一范式，实验验证了算法有效性。
2026-07-08 cs.AI cs.LG
Modified Possibilistic Fuzzy C-Means Algorithm for Clustering Incomplete Data Sets
Telkom University（特卢克姆大学）；AKBID Tahirah Al Baeti Bulukumba（塔希拉·阿尔·巴埃蒂助产学院布卢孔巴）；Universitas Wijaya Kusuma Surabaya（泗水维贾亚·库苏马大学）；Universitas Fajar（法贾尔大学）
可能性模糊c-均值聚类算法（PFCM）是针对模糊c-均值聚类算法（FCM）和可能性c-均值聚类算法（PCM）的不足而提出的一种可靠的聚类算法。PFCM算法克服了FCM算法对噪声敏感的缺点和PCM算法对重合聚类的缺点。然而，PFCM算法只能应用于聚类完整的数据集。因此，在这项研究中，我们提出了一个修改的PFCM算法，可以适用于不完整的数据集聚类。我们将PFCM算法修改为OCSPFCM和NPSPFCM算法，并在三个方面测量性能：1）准确率百分比，2）终止迭代次数，以及3）质心误差。结果表明，这两种算法都具有聚类不完备数据集的潜力.然而，NPSPFCM算法的性能优于OCSPFCM算法聚类不完整的数据集。
2020-07-15 cs.AI
Deep adaptive fuzzy clustering for evolutionary unsupervised representation learning
East China University of Science and Technology（华东理工大学）；McMaster University（麦克马斯特大学）；Tongji University（同济大学）
大型复杂图像的聚类分配是模式识别和计算机视觉中一项重要而又具有挑战性的任务。在这项研究中，我们探讨了在深层神经网络框架中采用模糊聚类的可能性。因此，我们提出了一种新的进化无监督学习表示模型与迭代优化。它实现了深度自适应模糊聚类（DAFC）策略，该策略仅从给定的未标记数据样本中学习卷积神经网络分类器。DAFC由深度特征质量验证模型和模糊聚类模型组成，实现了深度特征表示学习损失函数和基于加权自适应熵的嵌入式模糊聚类。我们将模糊聚类与深度重建模型结合起来，其中模糊隶属度用于表示深度聚类分配的清晰结构，并联合优化深度表示学习和聚类。此外，联合模型通过检查来自估计瓶颈空间的重新采样数据是否具有一致的聚类属性来评估当前聚类性能，以逐步改进深度聚类模型。在各种数据集上的综合实验表明，与其他最先进的深度聚类方法相比，所提出的方法在重建和聚类质量方面都获得了更好的性能，正如广泛实验中的深入分析所证明的那样。
2021-03-31 cs.AI cs.CV
Co-clustering of Fuzzy Lagged Data
Bar-Ilan University（巴伊兰大学）；Ariel University（阿里埃勒大学）
本文的重点是挖掘模式，其特点是形成它们的数据对象之间的模糊滞后关系。这种调节机制在现实生活中非常常见。它出现在各种领域：金融，基因表达，神经科学，人群和集体运动只是有限的例子。挖掘这些模式不仅有助于理解域中对象之间的关系，还有助于预测它们未来的行为。对于这个问题的大多数有趣的变体，找到一个最佳的模糊滞后共聚类是一个NP完全问题。因此，我们提出了一个多项式时间的Monte-Carlo近似算法挖掘模糊滞后共聚类。我们证明了，对于任何数据矩阵，该算法挖掘模糊滞后的协同聚类具有固定的概率，其中包括最大2比列开销和完全没有行开销的最佳模糊滞后的协同聚类。此外，该算法处理噪声，反相关，缺失值和重叠模式。使用人工和真实数据集对该算法进行了广泛的评估。实验结果不仅证实了该算法能够有效地挖掘相关的、准确的模糊滞后共聚类，而且说明了在滞后模式模型中加入模糊聚类的重要性。
2014-05-15 cs.AI
Word Embeddings and Validity Indexes in Fuzzy Clustering
University of Tabriz（大不里士大学）
在互联网系统和应用的新时代，从大量文本中检测出有区别的主题的概念得到了很多关注。这些方法使用数字格式的文本表示（称为嵌入）来模仿单词之间基于人类的语义相似性。在这项研究中，我们进行了基于模糊的分析，各种矢量表示的话，即，词嵌入。此外，我们介绍了新的模糊聚类方法的基础上的混合实现模糊聚类方法与进化算法命名为森林优化。我们使用两种流行的模糊聚类算法对基于计数的词嵌入，具有不同的方法和维度。从Kaggle数据集中收集有关新冠病毒的单词，并将其计算成向量并进行聚类。结果表明，模糊聚类算法是非常敏感的高维数据，参数调整可以显着改变其性能。我们评估实验结果与各种聚类有效性指标，比较不同的算法变化与不同的嵌入精度。
2022-04-26 cs.AI cs.CL
Fuzzy clustering algorithms with distance metric learning and entropy regularization
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Centro de Informática（信息中心）
聚类方法已被用于各种领域，如图像处理、数据采掘、模式识别和统计分析。通常，聚类算法认为所有变量对于聚类任务同等相关或不相关。然而，在实际情况中，一些变量可能是相关的，或者可能或多或少相关，甚至与此任务无关。本文提出了基于欧氏距离、城市块距离和马氏距离以及熵正则化的划分模糊聚类算法。这些方法是一个迭代的三步算法，它提供了一个模糊分区，代表每个模糊聚类，并通过最小化一个合适的目标函数的变量或它们的相关性的相关性权重。合成和真实数据集上的几个实验，包括其应用于噪声图像纹理分割，证明了这些自适应聚类方法的有用性。
2021-02-18 cs.AI cs.LG
ADNF-Clustering: An Adaptive and Dynamic Neuro-Fuzzy Clustering for Leukemia Prediction
ADNF-Clustering通过自适应动态神经模糊聚类方法，提升白血病预测的准确性和实时性，实现对白血病细胞模式的自适应分析与不确定性建模。
2025-11-28 cs.AI cs.LG
Envelope Imbalance Learning Algorithm based on Multilayer Fuzzy C-means Clustering and Minimum Interlayer discrepancy
School of Microelectronics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）
由于不平衡数据集的分类问题在机器学习和数据采掘领域中普遍存在，因此不平衡学习是重要且具有挑战性的。采样方法被提出来解决这个问题，基于聚类的过采样方法已经显示出巨大的潜力，因为它们旨在同时解决类间和类内不平衡问题。然而，所有现有的聚类方法都是基于一次性的方法。由于缺乏先验知识，聚类数目的设置往往存在不当，从而导致聚类性能不佳。此外，现有的方法很可能会产生噪音的情况下。针对这些问题，提出了一种基于深度实例包络网络的非平衡学习算法，该算法采用多层模糊c均值（MLFCM）和基于最大平均差异的最小层间差异机制（MIDMD）。该算法可以在缺乏先验知识的情况下，使用深度实例包络网络来保证高质量的均衡实例。在实验部分，使用了33个流行的公共数据集进行验证，并使用了十多个具有代表性的算法进行比较。实验结果表明，该方法明显优于其他流行的方法。
2021-11-02 cs.AI
FCM-RDpA: TSK Fuzzy Regression Model Construction Using Fuzzy C-Means Clustering, Regularization, DropRule, and Powerball AdaBelief
Huazhong University of Science and Technology（华中科技大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
为了有效地优化TSK模糊系统的回归问题，最近提出了一种基于正则化、DropRule和AdaBound的小批量梯度下降（MBGD-RDA）算法.本文进一步提出了FCM-RDpA，它通过用模糊c均值聚类取代规则初始化中的网格划分方法来改进MBGD-RDA，以及Powerball AdaBelief的AdaBound，它集成了最近提出的Powerball梯度和AdaBelief，以进一步加快和稳定参数优化。在22个不同规模和维度的回归数据集上进行的大量实验验证了FCM-RDpA相对于MBGD-RDA的优越性，特别是当特征维数较高时。我们还提出了一个额外的方法，FCM-RDpAx，进一步提高FCM-RDpA通过使用增强功能的规则的前因和后果。
2020-11-30 cs.AI cs.LG
Fuzzy Segmentations of a String
本文针对文本段匹配模糊模式的聚类问题，提出基于前缀结构的启发式算法，证明其在模糊字符串匹配特例中可找到所有匹配段，并采用动态规划求解全文最优分割。
2026-08-26 cs.AI
Adaptive Neuro Fuzzy Networks based on Quantum Subtractive Clustering
数据采掘技术可以通过对数据的探索和分析来发现有用的模式，协同机器学习工具来发现模糊分类规则是可行的，本文提出了一种TSK模糊型自适应神经模糊网络和一种改进的量子减法聚类算法。量子聚类（QC）是量子力学的一种直觉，它使用薛定谔势和耗时的梯度下降方法。分析了质量控制算法的原理、优缺点，并针对其不足之处，提出了一种基于减法聚类的改进算法。实验结果表明，基于量子减法聚类的Anfis具有良好的逼近和泛化能力，与传统方法相比，模糊规则数和网络输出精度显著降低。
2021-01-26 cs.AI cs.LG quant-ph
Unsupervised Fuzzy eIX: Evolving Internal-eXternal Fuzzy Clustering
Federal University of Lavras (UFLA)（拉夫拉斯联邦大学（UFLA））
时变分类器，即进化分类器，在信息作为永无止境的在线数据流提供的场景中发挥着重要作用。提出了一种新的数值型数据无监督学习方法--进化内外模糊聚类方法（Fuzzy eIX）。我们发展了双边界模糊粒的概念，并阐述了它的含义。第1型和第2型模糊推理系统可以由Fuzzy eIX粒的投影得到。我们在模糊eIX分类器中执行平衡信息粒度的原则，以实现更高级别的模型可理解性。内部和外部颗粒更新的数值数据流的同时，全球的颗粒结构的分类器是自主发展的。一个称为双高斯旋转的合成非平稳问题显示了分类器的行为。在离线训练的分类器的准确性明显下降的情况下，模糊eIX分类器可以保持其准确性。
2020-03-25 cs.AI cs.LG stat.ML
Anomaly Detection in Time Series of EDFA Pump Currents to Monitor Degeneration Processes using Fuzzy Clustering
Advanced Technology Adtran（阿德特兰高级技术部门）；Faculty of Applied Computer Science University of Augsburg（应用计算机科学学院乌尔姆大学）；University of Augsburg（乌尔姆大学）
本文提出一种结合熵分析、PCA与模糊聚类的变更检测框架（CDF），用于早期检测EDFA泵浦电流时间序列异常，支持光纤网络分散式预测性维护。
2025-04-29 cs.AI cs.LG eess.SP
Interpretable Style Takagi-Sugeno-Kang Fuzzy Clustering
School of Wangzheng Microelectronics, Changzhou University（常州大学王正微电子学院）；School of Electrical Engineering and Automation, Changshu Institute of Technology（常熟理工学院电气与自动化工程学院）
本文提出可解释的风格 TSK 模糊聚类算法 IS-TSK-FC，利用 TSK 模糊推理和风格矩阵增强簇的可解释性与数据表示能力，并通过实验验证其聚类有效性。
2025-04-07 cs.AI cs.LG
Rainfall-runoff prediction using a Gustafson-Kessel clustering based Takagi-Sugeno Fuzzy model
The University of Melbourne（墨尔本大学）；University of New South Wales Canberra（新南威尔士大学堪培拉分校）
一个完整的径流模型可以使用基于物理的方法或基于系统的方法来预测地表径流。Takagi-Sugeno（TS）模糊模型是基于系统的方法，由于其具有一些优点和比其他现有模型更高的预测精度，近几十年来成为水文学家的流行建模选择。在本文中，我们提出了一个新的整体径流模型开发的Gustafson-Kessel（GK）聚类为基础的TS模糊模型。我们提出了比较性能的措施GK算法与其他两个聚类算法：（一）模糊C均值（FCM），（ii）减法聚类（SC）。我们提出的TS模糊模型预测地表径流使用：（i）观测到的降雨在流域和（ii）以前观测到的降水流量在流域出口。所提出的模型进行了验证，使用安装在校园的印度理工学院，Kharagpur的传感器收集的径流数据。通过不同的验证指标，得到了该模型的最优规则数。四个性能指标的比较研究：均方根误差（RMSE），效率系数（CE），体积误差（VE），和相关系数的决定（R）已被定量证明为每个聚类算法。
2021-08-22 cs.AI cs.LG physics.ao-ph
Multi-View Fuzzy Clustering with The Alternative Learning between Shared Hidden Space and Partition
School of Digital Media, Jiangnan University（江南大学数字媒体学院）；Jiangsu Key Laboratory of Digital Design and Software Technology（江苏省数字设计与软件技术重点实验室）
随着现实世界中多视图数据的增长，多视图聚类已经成为数据采掘、模式识别和机器学习中的一项重要技术。如何利用多视图数据的特点，有效地利用不同视图之间的关系，已成为一个重要的挑战。针对这一问题，提出了一种隐空间共享的多视图模糊聚类方法。该方法基于经典的模糊c-均值聚类模型，通过引入共享隐空间来获取不同视图间的关联信息。特别地，共享隐藏空间和模糊划分可以交替学习，并且相互促进。同时，该方法在学习共享隐空间的同时，采用最大熵策略控制不同视图的权值。实验结果表明，提出的多视图聚类方法具有更好的性能比许多相关的聚类方法。
2019-08-12 cs.AI cs.LG stat.ML
Clustering Students According to their Academic Achievement Using Fuzzy Logic
Yuriy Fedkovych Chernivtsi National University（尤里·费德科维奇切尔诺夫策国立大学）；Chernivtsi transport college（切尔诺夫策交通学院）；Hubei University of Technology（湖北工业大学）
本研究开发了基于Python和模糊逻辑的学生成绩聚类软件，结合K-Means方法与模糊三角隶属函数实现无清晰边界下的准确聚类，可精准为学生推荐适配难度的学习任务，同时具备教学价值。
2023-12-01 cs.AI cs.CY
Blind, Greedy, and Random: Ordinal Approximation Algorithms for Matching and Clustering
我们研究匹配和其他相关问题中的部分信息设置代理的效用被匹配到其他代理是隐藏的，该机制只能访问顺序偏好信息。我们的模型的动机是这样一个事实，即在许多情况下，代理不能表达他们的效用为不同的结果的数值，但仍然能够排名的结果，他们的偏好顺序。具体来说，我们研究的问题，地面真理存在的形式加权图，并期待设计算法，近似真正的最佳匹配，仅使用每个代理的偏好排序（由隐藏的权重引起）作为输入。如果对权重不加限制，那么就不能指望比简单的贪心算法做得更好，它产生半最佳匹配。也许令人惊讶的是，我们表明，通过对权重施加一点结构，我们可以显着改进平凡算法：我们设计了一个1.6-近似算法的情况下，隐藏的权重服从度量不等式。使用我们的算法匹配作为一个黑盒，我们还设计了新的近似算法的其他密切相关的问题：这些包括一个3.2-近似的聚类代理成相等大小的分区的问题，一个4-近似算法Denmark-子图，和一个2.14-近似算法的最大TSP。这些结果是第一个非平凡的序数近似算法，这样的问题，并表明，我们可以设计强大的算法，即使我们是不可知的精确代理工具。
2016-08-01 cs.AI cs.GT
Multi-View Fuzzy Clustering with Minimax Optimization for Effective Clustering of Data from Multiple Sources
Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；Nanyang Technological University（南洋理工大学）
多视图数据聚类是指通过充分利用来自数据的多个表示的相关信息来对数据集进行分类。由于越来越多的数据可以通过不同的方式、不同的环境和不同的来源收集，因此每个数据集可以用不同的特征集来表示，从而形成不同的视图，因此已经提出了许多方法来通过探索和整合不同视图下的异构信息来提高聚类性能。在本文中，我们提出了一种新的多视图模糊聚类方法，称为MinimaxFCM，使用基于著名的模糊c均值的minimax优化。在MinimaxFCM中，共识聚类结果是基于Minimax优化生成的，其中不同加权视图的最大分歧被最小化。此外，每个视图的权重可以在聚类过程中自动学习。此外，除了模糊器之外，只有一个参数需要设置。详细的问题制定，更新规则的推导，并在建议的MinimaxFCM的深入分析。对包括真实世界图像和文档数据集在内的9个多视图数据集进行了实验研究。我们观察到，MinimaxFCM优于相关的多视图聚类方法在聚类精度方面，展示了MinimaxFCM多视图数据分析的巨大潜力。
2016-08-25 cs.AI cs.LG stat.ML
Incremental Minimax Optimization based Fuzzy Clustering for Large Multi-view Data
Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；Nanyang Technological University（南洋理工大学）
增量聚类方法已经被提出来处理大数据时，给定的数据集太大，无法存储。这些方法的核心思想是在每个数据块中找到代表每个聚类的代表，并基于从所有数据块中识别出的代表进行最终的数据分析。然而，大多数增量方法用于单视图数据。随着从多个源生成的大型多视图数据变得普遍，现在需要增量聚类方法来处理大型和多视图数据。在本文中，我们提出了一种新的增量聚类方法称为增量最小最大优化的模糊聚类（IminimaxFCM）来处理大的多视图数据。在IminimaxFCM中，通过使用Minimax优化集成多个互补视图来识别具有多个视图的代表以代表每个聚类。详细的问题制定，更新规则的推导，并在建议IminimaxFCM的深入分析。在几个真实世界的多视图数据集上进行了实验研究。我们观察到，IminimaxFCM优于相关的增量模糊聚类的聚类精度，展示了巨大的潜力，IminimaxFCM大型多视图数据分析。
2016-08-25 cs.AI cs.LG stat.ML
Ambiguity-Driven Fuzzy C-Means Clustering: How to Detect Uncertain Clustered Records
Isfahan University of Technology（伊斯法罕理工大学）
作为一种著名的聚类算法，模糊C均值（FCM）允许每个输入样本属于一个以上的类，提供了更多的灵活性比非模糊聚类方法。然而，模糊C均值算法的准确性在某些情况下受到噪声记录、弱特征选择和低确定性所导致的误检测的影响。在网络安全和医疗诊断等决策应用领域，错误检测是非常重要的，其中基于这种错误检测的弱决策可能导致灾难性的结果。它们主要是在对一个子集的记录做出决策时出现的，这些记录没有提供足够的证据来做出一个好的决策。在本文中，我们提出了一种方法来检测模糊聚类中的模糊记录，通过引入一个确定性因子，以减少无效检测。这种方法使我们能够将检测到的模糊记录发送到另一种判别方法进行更深入的调查，从而通过降低出错率来提高准确性。与类似的混合方法相比，大多数记录仍然被快速处理并且具有低出错率，这防止了性能损失。在不同领域的多个数据集上的实验结果表明，该方法在出错率上有明显的降低，同时提高了算法的灵敏度。
2014-09-09 cs.AI cs.CV
A Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Industrial Wireless Sensor Networks
University of Guelph（圭尔夫大学）
安全性是工业无线传感器网络（IWSNs）中的主要问题之一。为了保证分簇式无线传感器网络的安全性，提出了一种基于模糊信任评估和离群点检测的安全分簇协议（SCFTO）。首先，针对开放无线网络中传输的不确定性，采用区间二型模糊逻辑控制器估计信任度。然后引入基于密度的离群点检测机制，获得自适应的信任阈值，用于隔离恶意节点成为簇头。最后，提出了一种基于模糊的簇头选举方法，在能量节约和安全保障之间取得平衡，使得剩余能量较多或对其他节点信任度较低的正常传感器节点有较高的概率成为簇头。大量的实验证明，我们的安全分簇协议可以有效地抵御来自内部恶意或受损节点的网络攻击。
2022-07-20 cs.AI cs.NI cs.SY
A New Validity Index for Fuzzy-Possibilistic C-Means Clustering
在一些复杂的数据集中，由于噪声数据点和离群值的存在，聚类有效性指标在确定最佳聚类数时可能会给出相互矛盾的结果。本文提出了一种新的模糊可能性c均值聚类的有效性指标称为模糊可能性（FP）指标，它可以很好地工作在存在不同的形状和密度的集群。此外，FPCM像大多数聚类算法一样容易受到一些初始参数的影响。在这方面，除了聚类的数量之外，FPCM还需要对模糊度和典型度进行先验选择。因此，我们提出了一个有效的程序来确定其最佳值。所提出的方法已经使用几个合成和真实世界的数据集进行了评估。最后的计算结果表明，所提出的方法相比，在文献中的几个著名的模糊有效性指标的能力和可靠性。最后，将该方法应用于微阵列基因表达数据聚类和医学图像分割，验证了该方法的实际应用能力。
2020-05-19 cs.AI cs.CV cs.LG
Advanced Clustering Techniques for Speech Signal Enhancement: A Review and Metanalysis of Fuzzy C-Means, K-Means, and Kernel Fuzzy C-Means Methods
Artificial Intelligence and Innovation Centre, University of Kurdistan Hewler（库尔德斯坦赫勒大学人工智能与创新中心）；Computer Science and Engineering Department, University of Kurdistan Hewler（库尔德斯坦赫勒大学计算机科学与工程系）
本文针对噪声环境下语音分离识别的难题，综述对比了KFCM、KM、FCM等聚类语音增强方法，指出KFCM适配性更优，还提出了现有方法的不足与结合神经网络的混合模型优化方向。
2025-10-03 cs.AI cs.SD eess.AS
Cascaded two-stage feature clustering and selection via separability and consistency in fuzzy decision systems
School of Information Science and Technology, Nantong University（南通大学信息科学与技术学院）
本文针对高维复杂数据提出级联两阶段特征聚类与选择算法，结合全局可分性与局部一致性评估特征显著性，在多个数据集上提升了分类准确率并减少了特征数量。
2024-07-22 cs.AI cs.LG
An Evolutionary Game based Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Wireless Sensor Networks
University of Guelph（圭尔夫大学）；Chongqing University（重庆大学）
在无线传感器网络中，由于其独特的特性和限制，可信和可靠的数据传输是一项具有挑战性的任务。为了获得安全的数据传输和解决安全和能源之间的冲突，在本文中，我们提出了一种基于进化博弈的安全分簇协议的模糊信任评估和离群检测的无线传感器网络。首先，提出了一种模糊信任评估方法，将传输证据转化为信任值，同时有效地降低了信任的不确定性。在此基础上，提出了一种基于K-Means的离群点检测方案，对通过模糊信任评估或信任推荐得到的大量信任值进行进一步分析。它可以发现传感器节点之间的共性和差异，同时提高离群值检测的准确性。最后，我们提出了一个基于进化博弈的安全分簇协议，以实现安全保证和节能的传感器节点之间的权衡选举时的簇头。未能成为簇头的传感器节点可以通过隔离可疑节点来安全地选择自己的簇头。仿真结果表明，我们的安全分簇协议可以有效地抵御来自内部自私或妥协节点的攻击。相应地，可以显著提高及时数据传送率。
2022-07-21 cs.AI cs.NI cs.SY
Comparative of Genetic Fuzzy regression techniques for aeroacoustic phenomenons
University of Cincinnati（辛辛那提大学）
本研究比较了多种遗传模糊回归技术（包括高规则密度TSK系统、级联GFT架构和基于FCM的新型聚类方法）在翼型自噪声建模中的表现，证明了聚类辅助模糊推理在复杂气动声学现象中的有效性。
2025-05-29 cs.AI cs.NE
Truthful Mechanisms for Matching and Clustering in an Ordinal World
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们研究真实的匹配机制和相关问题的部分信息设置，代理人的真实效用是隐藏的，算法只能访问顺序偏好信息。我们的模型的动机是这样一个事实，即在许多情况下，代理不能表达他们的效用为不同的结果的数值，但仍然能够排名的结果，他们的偏好顺序。具体来说，我们研究的问题，地面真理存在的形式加权图的代理效用，但算法只能引出代理的私人信息的形式的优先顺序为每个代理引起的潜在的权重。在此背景下，我们设计了真实的算法来逼近隐藏权重的真正最优解。我们的技术产生普遍真实的算法的一些图的问题：1. 76-近似算法的最大权匹配，2-近似算法的最大k匹配，6-近似算法Denmark子图，和2-近似算法的最大旅行商，只要隐藏的权重构成一个度量。我们还提供了改进的近似算法这样的问题时，代理商是不能说谎，他们的喜好。我们的研究结果是第一个非平凡的真实近似算法，这些问题，并表明，在许多情况下，我们可以设计强大的算法，即使当代理可能会说谎，只提供序数信息，而不是精确的实用程序。
2016-10-18 cs.AI cs.DS cs.GT
FMMVCC: Fuzzy Mamba-based Multi-View Contrastive Clustering for Univariate Time Series
针对大量带有限或昂贵注释的时间序列数据，介绍基于曼巴的深度聚类框架FMMVCC。它利用状态空间序列建模及多视图自监督学习，在15个基准数据集实验中优于现有基线，在多指标评估中表现出色。
2026-07-09 cs.AI cs.LG
Segmentation of Multiple Sclerosis lesion in brain MR images using Fuzzy C-Means
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））；South Tehran Branch Islamic Azad University (IAU)（伊斯兰阿扎德大学南德黑兰分校）；Arak University of Medical Sciences（阿拉克医科大学）
磁共振成像（MRI）通过在脑MR图像中显示病变，在多发性硬化（MS）疾病的诊断中起着重要的支持和替代临床信息的作用。本文提出了一种从脑MR图像中分割多发性硬化病灶的算法。我们重新讨论了模糊-c均值算法的性质修改和canny边缘检测.通过改变和改进模糊c均值聚类算法，应用canny收缩原理，建立了多发性硬化病灶与边缘检测之间的关系。对于FCM的特殊情况下，我们推导出一个充分条件和聚类参数，允许识别它们作为（局部）最小的目标函数。
2018-04-10 cs.AI eess.IV
FCA - An Approach On LEACH Protocol Of Wireless Sensor Networks Using Fuzzy Logic
为了更有效地收集信息，无线传感器网络被划分成簇。大多数提出的聚类算法不考虑基站的位置。这种情况导致了多跳无线传感器网络中的热点问题。在本文中，我们提出了一种模糊聚类算法（FCA），旨在延长无线传感器网络的生命周期。FCA算法根据传感器节点的剩余能量和到基站的距离参数来调整簇头半径。这有助于减少靠近基站或电池电量较低的传感器节点的簇内工作。我们利用模糊逻辑处理簇头半径估计的不确定性。我们比较我们的算法与LEACH根据第一个节点死亡，一半的节点活着和能源效率指标。我们的仿真结果表明，FCA的性能优于其他算法在大多数情况下。因此，我们提出的算法是一种稳定且节能的聚类算法。
2013-01-16 cs.AI cs.NI
Bounded Fuzzy Possibilistic Method
Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）；Climax Data Pattern（Climax数据模式公司）
本文介绍了有界模糊可能性方法（BFPM），解决以前的聚类/分类方法没有考虑的几个问题。在模糊聚类中，对象的隶属度值之和应等于1。因此，任何对象都可以在最多一个集群中获得完全成员资格。可能性聚类方法消除了这一限制。然而，BFPM不同于以前的模糊和可能性聚类方法，允许的隶属函数采取较大的值相对于所有集群。此外，在BFPM中，数据对象可以在多个集群甚至所有集群中具有完全成员资格。BFPM放宽了成员分配的边界条件（限制）。所提出的方法满足了获得正式成员资格的必要性，并克服了传统方法在处理重叠问题上的问题。本文还提出了分析对象从自己的类到另一个类的运动（突变）。BFPM已经在几何学、集合论、异常检测、风险管理、疾病诊断等学科中得到了广泛的应用。有效性和比较指标也被用来评估BFPM的准确性。从精度、模糊化常数（不同范数）、目标运动分析和覆盖多样性等方面对BFPM进行了评价。有希望的结果证明了在学习方法中考虑所提出的方法来跟踪数据对象的行为的重要性，除了获得准确的结果。
2019-02-08 cs.AI cs.LG stat.ML
Fuzzy-Based Dialectical Non-Supervised Image Classification and Clustering
Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学）；Universidade de Pernambuco（伯南布哥大学）；Universidade Federal de Pernambuco（伯南布哥联邦大学）
唯物辩证法是一种分析现实问题的哲学研究方法。这些方面被视为由称为极点的基本单元组成的复杂过程，这些单元相互作用。辩证法在19世纪经历了相当大的发展，黑格尔的辩证法，在20世纪，马克思，恩格斯和葛兰西的著作，在哲学和经济学。两极通过其矛盾的运动被视为一个动态的过程，其演化和革命危机的阶段相互交织。为了建立一个基于辩证法的计算过程，极点之间的相互作用可以使用模糊隶属函数建模。基于这一假设，我们引入了客观辩证分类器（ODC），一个非监督的地图分类唯物辩证法的基础上，并设计作为一个扩展的模糊c-均值分类。作为一个案例研究，我们使用ODC分类181磁共振合成多光谱图像组成的质子密度，$T_1$ -和$T_2$加权合成脑图像。比较ODC的k-means，模糊c-均值，和Kohonen的自组织映射，关于图像保真度指标作为量化失真的估计，我们证明了ODC可以达到几乎相同的量化性能的最佳非监督分类器，如Kohonen的自组织映射。
2017-12-03 cs.AI cs.CV cs.GR
