付强
- 作品数：2 被引量：15H指数：1
- 供职机构：东北农业大学成栋学院更多>>
- 发文基金：黑龙江省博士后科研启动基金更多>>
- 相关领域：电气工程更多>>
- 基于样本密度KFCM新算法及其在故障诊断的应用被引量：15
- 2009年
- 针对传统核模糊聚类(KFCM)算法无法克服边界噪声数据影响且对初始聚类中心敏感的不足,提出一种基于样本密度和最大类间方差法相结合的KFCM算法。该算法在传统的KFCM算法中引入样本分布密度作为权重,克服噪声及边界数据对分类中心的影响,使样本的聚类效果更好,同时还可以分析各样本对聚类的贡献程度。此外利用最大类间方差法对样本密度进行分割,得到各类中心点并以此作为KFCM算法的初始聚类中心,克服了传统算法对初始值敏感的不足。对各种实际数据集的测试结果均显示出新算法的优良性能。最后利用新算法对轴承故障进行诊断,试验结果表明新算法的诊断率优于传统的聚类算法。
- 陶新民徐晶付强刘兴丽
- 关键词：核模糊聚类样本密度最大类间方差法故障诊断
- 一种基于PSO-RBF神经网的入侵检测方法
- 2009年
- 针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法。该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点。试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足。文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高。
- 付强柴玉华
- 关键词：入侵检测K-均值径向基神经网络
