基于SAGA-FCM的煤与瓦斯突出预测方法

为提高模糊C-均值聚类（Fuzzy C-Means Clustering Algorithm,FCM）算法在煤与瓦斯突出预测中的准确度,提出一种将模拟退火算法（Simulated Annealing Algorithm,SA）与遗传算法（Genetic Algorithm,GA）相结合用于模糊C-均值聚类分析的煤与瓦斯突出预测方法。该方法综合了模拟退火算法全局搜索、高精度的优点和遗传算法强大的空间搜索能力,将经遗传模拟退火算法优化后的初始值赋给FCM,避免了由于聚类中心初始值选择不当造成FCM算法收敛到局部极小点上。结合典型突出矿井数据进行分析,结果表明:遗传模拟退火算法优化后的FCM算法较单一,预测准确度高。      

基于粒子群算法的岩体结构面产状模糊C均值聚类分析

结构面产状分析是进行岩体力学分析及稳定性评价的基础,玫瑰花图、等密度图等传统的图形分析方法较为粗糙,无法对产状数据进行准确分析,采用模糊聚类方法则可以得到较为准确的优势产状,但需要事先指定分组数及初始聚心,且模糊聚类算法为局部寻优算法,初始划分对最终的数据分析结果影响较大。为了得到较为客观的分组结果及优势产状,同时能够针对大量结构面产状数据进行聚类分析,提出了基于粒子群算法的岩体结构面产状模糊C均值聚类算法。采用粒子群算法进行模糊C均值聚类算法初始聚心的求解,在计算过程中可同时确定最佳分组数,避免了人为指定的主观性,克服了模糊C均值聚类算法易陷入局部极小值和对初始划分敏感的不足。最后,通过工程实例中不同方法的聚类效果对比分析该算法的有效性,并将该方法应用于实测结构面产状数据的分析,得到较为符合实际的优势结构面分组。     

基于遗传算法的边坡稳定性评价的动态聚类法

针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题，提出了基于遗传算法的边坡稳定性评价的动态聚类方法，此方法对三峡库岸36个边坡的研究结果表明，该方法是一个具有全局最优解的动态聚类方法，其结果明显好于常规动态聚类方法。     

水库控制流域汛期分期的有效聚类分析

受诸多因素影响的水库汛期分期其实质是一个聚类数目未确知的高维时间序列聚类问题,它要求聚类方法具有能处理高维和时序性数据,且能同时回答聚为几类最为合理的能力。鉴于目前常规聚类方法不同时具备这些能力,在模糊C-均值聚类和紧密与分离聚类有效函数的基础上,提出了能够处理高维时序聚类问题的动态模糊C-均值聚类分析方法和相应的时序聚类有效性函数,耦合二者建立了适用于汛期分期的有效模糊聚类分析方法,提出采用实码加速遗传算法优化求解,克服了模糊C-均值聚类方法常规迭代优化求解对初值敏感的困难,并给出了完备的建模步骤和模型的合理性检验。最后,将模型应用于滦河流域潘家口水库汛期分期中,得出了合理的结论。     

模糊理论在遥感图像分类中的应用

利用2000年假彩色遥感图像,采用模糊C-均值法中的欧氏距离和马氏距离法对崇明东滩的遥感图像进行了处理。通过对白色覆盖物、未耕种土地、一号水稻田、水体和二号水稻田的分类结果表明,欧氏距离的聚类结果优于马氏距离。     

基于改进遗传算法的岩体结构面产状聚类分析

根据产状对结构面进行分组是研究岩体结构的重要环节。传统分组方法通常需要依靠地质经验,缺乏客观性,而现有的聚类方法也存在一些缺陷。基于变长度字符串遗传算法,提出了一种改进的K均值算法,实现了岩体结构面产状的自动聚类。该方法的核心思想是使用遗传算法为K均值算法选择恰当的聚类中心,克服了K均值(K-means)算法受初始聚类中心影响,易收敛于局部最优解的缺陷。由于使用了变长度字符串,该方法能够在聚类过程中自动确定最佳结构面组数,同时提供最优的分组结果。针对产状数据,提出了一种新的变异方法,该方法利用C++语言实现,并被应用于浙江省某地下水封洞库结构面产状数据的分析,得到较为合理的分组结果,证明了该方法的有效性。     

模糊K—均值聚类法及其在地质学中的应用

在一些地质分类问题中,往往存在着模糊界限,对此若用模糊数学的方法进行分类就显得更为自然,更为切合实际。本文集中阐述了模糊K—均值聚类法的基本理论和计算方法,并对地质上的样品分类的几个典型实例使用该方法作了初步尝试,在使用过程中,我们还结合模糊关系上的聚类法,在取定置信水平后,给出初始分类,使得最终分类达到局部最优,几个典型实例都在6912机上进行了试算,效果良好。     

基于主成分分析的FCM法在泥石流分类中的应用

选取流域面积、最大高差等12个传统泥石流沟评价因素和圆度、平均长度等4个沟谷形态统计要素对泥石流性质进行评价;利用主成分分析法对分析因素进行降维,将16个分析因素降维形成线性无关的6个主成分,大大减小了分析的复杂性,并且证明了考虑沟谷形态统计要素的必要性;并利用FCM法(模糊C-均值聚类法)对研究区域27条泥石流沟进行分类,把泥石流沟分为3类。结合分类结果及现场调查,证明分类结果与现场的实际情况吻合较好,并针对不同的分类提出泥石流防护措施的建议。     

基于FCM算法的粗糙集理论在边坡稳定性影响因素敏感性分析中的应用

结合粗糙集理论与模糊C-均值（FCM）算法,提出一种边坡稳定性影响因素敏感性分析新方法。将边坡稳定性影响因素敏感性分析问题转化为粗糙集理论中的属性重要性评价问题,采用FCM算法离散连续属性数据,给出敏感性分析的具体算法。以圆弧型破坏边坡为例,对影响边坡稳定性的单因素与多因素敏感性进行分析,证明了该方法的可行性和有效性。     

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。     

基于K均值动态聚类分析的地球物理测井岩性分类方法

在地球物理测井数据处理与解释中,岩性识别是地层评价、油藏描述等方面的一项重要内容.利用计算机自动进行岩性识别已成为测井解释发展的重要方向、人们研究和关注的内容.聚类分析是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法.K均值算法是聚类算法中主要算法之一,它是一种基于划分的聚类算法.依据不同岩性在常规测井资料中的不同响应,根据K均值动态聚类方法的原理,结合其它资料,对井中的岩性进行分类,从而达到了区分和识别钻孔不同岩性的目的.     

Weighted fuzzy kernel-clustering algorithm with adaptive differential evolution and its application on flood classification

Flood classification is the fundamental problem of flood risk analysis and plays an important role in flood disaster risk management. Considering the fact that flood classification is a problem of multi-attribute and multi-stage fuzzy synthetically evaluation, this paper mainly proposed the weighted fuzzy kernel-clustering algorithm (WFKCA) with adaptive differential evolution algorithm (ADE) to solve this problem. Firstly, WFKCA is detailed introduced, and then the differential evolution algorithm (DE) is applied for the fuzzy clustering, thus to obtain the better results. Taking into consideration the disadvantage of DE, ADE is present after the introduction of DE. Finally, the combination of WFKCA and ADE is applied for flood classification, and the results demonstrated the methodology is reasonable and reliable, thus provide a new effective approach for flood classification.     

Fuzzy Modeling for Reserve Estimation Based on Spatial Variability

This article addresses a new reserve estimation method which uses fuzzy modeling algorithms and estimates the reserve parameters based on spatial variability. The proposed fuzzy modeling approach has three stages: (1) Structure identification and preliminary clustering, (2) Variogram analysis, and (3) Clustering based rule system. A new clustering index approach and a new spatial measure function (point semimadogram) are proposed in the paper. The developed methodology uses spatial variability in each step and takes the fuzzy rules from input-output data. The model has been tested using both simulated and real data sets. The performance evaluation indicates that the new methodology can be applied in reserve estimation and similar modeling problems     

Fuzzy cluster analysis in geochemical exploration

As a classification method, cluster analysis has been widely used in geology and geochemical exploration, but sometimes the results of clustering were difficult to interpret, or missclassification of geochemically similar members into entirely different clusters might occur. The reason for this is suggested and discussed. A new technique, fuzzy clustering is introduced. Comparision of the results of fuzzy clustering with conventional clustering using a set of hypothetical data is made. An example of a practical application indicating the apparent merits of fuzzy clustering is given. This technique might show great promise when applicated to geochemical exploration problems.     

模糊聚类分析法在油气评价中的应用

文章介绍了模糊聚类分析在石油勘探决策中的应用,选用了烃源岩9个评价参数,利用模糊聚类方法对烃源岩进行分类评价,并对评价过程进行了详细的论述.通过对评价结果与实际地质情况进行比较,评价结果与实际情况完全符合,证明模糊聚类方法用于油气资源评价是完全可靠的.     

水环境质量评价的灰色聚类法

运用灰色聚类法对甘肃金昌市地下水质进行了评价,并与模糊数学方法作了比较。结果表明灰色聚类法不仅具有模糊数学的优点,又弥补了其不完善之处。因此,用灰色聚类法评价水质,方法简便,结论更符合客观实际。     

地质分类中一种新的模糊聚类方法

没有分类,就没有鉴别,也就无法认识客观事物.因此,分类是各个领域中经常遇到的基本问题之一.以定量分类为特征的聚类分析法,和一般的定性分析方法相比,失误的可能性小得多.因此,在分类问题上,该方法已经起了很大作用.但是,和其它任何方法一样,聚类分析法也有局限性.1.聚类分析法是建立在普通集合论基础之上的.任一集合A的特征函数C_Λ(X)只能用二值变量来描述.即: