一、基于max-⊙传递性的模糊聚类分析（论文文献综述）
于慧清[1]（2021）在《D快递企业物流服务质量评价研究 ——以青岛地区为例》文中认为近年来,我国快递物流业以惊人的速度发展起来,2014年,我国国内快递业务量已经超过美国成为全球第一,直到今天,我国依旧是世界快递领先者。快递物流业已经成为我国经济支撑性产业,在国民经济中占的比重越来越大,虽然快递行业发展迅猛,但是快递物流企业的服务质量却参差不齐。如何保证快递物流企业的服务质量,从而提高客户满意度,成为快递物流行业的重要问题。本文以D快递企业为研究对象,对其物流服务质量进行综合评价。首先,通过查找大量的文献,对物流服务质量的概念和特点进行分析,参考学者对物流服务质量已有的研究方法和其他领域的评价方法确定本文研究所需要的技术路线。通过到D企业的实地调研,发现D企业青岛地区的物流服务质量实际存在的问题。其次,在对文献指标进行汇总的基础上,采用文献计量方法对指标进行筛选,与D企业发展过程中存在的实际问题结合,确定初步的预选指标体系,然后采用模糊聚类的方法,采用专家打分获得数据,对指标的合理性进行计算,构建了包含5个一级指标和26个二级指标的更加科学合理的指标体系。然后,根据指标体系设计调查问卷,对收集到的数据,采用基于熵计算的误差分析方法进行客观权重的计算;通过对专家发放调查表,运用基于三角模糊数的层次分析法求取主观权重;最后采用乘法合成的方法对主客观权重求取组合权重,减少主观权重或客观权重因方法单一对权重设置造成的误差。最后,将消费者问卷得到的数据进行规范化处理,采用模糊综合评价的方法,计算得到D企业物流服务质量总体评价水平。为了能够更加全面的分析D企业物流服务质量,对D企业物流服务质量从各个指标、不同业务类型和不同地区三个角度进行评价分析,得到D企业物流服务质量的评价结果较好,但是发现在一些方面还是存在问题,对此给出相应的改进建议。
欧阳承达,赵红梅,张军[2]（2020）在《基于模糊聚类法的滚动轴承故障诊断研究》文中认为由于滚动轴承振动信号的非线性特点,及其在工作状态下从正常到出现故障属于一个渐变的过程,且这个过程含有模糊性,故提出一种基于模糊聚类的故障诊断方法。该方法主要是将滚动轴承在工作状态下（即正常状态、内圈故障和外圈故障等不同模式）的振动信号特征值组成一个特征矩阵X,其中,该特征值主要包括最大值、均值、方差、标准差、峭度因子、均方根、脉冲因子等;随后,将该特征矩阵X利用模糊聚类分析算法构成模糊相似矩阵R,以及具有传递性的模糊等价矩阵R*;最后,通过模糊等价矩阵R*聚类转化得到最终分类的结果,实现故障诊断。研究结果表明:该算法能够准确地判断出滚动轴承属于何种工作状态,能有效提高滚动轴承故障诊断的精度与诊断效率。
刘新发[3]（2020）在《基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究》文中研究表明转辙机作为铁路信号设备室外三大件之一,是用来转换道岔,当道岔转换到位后对道岔进行锁闭并给出相应表示的设备,对铁路运输的安全与效率具有重要的影响。目前我国铁路信号系统通过对转辙机进行定期检修和设天窗点维修的手段来保证转辙机安全可靠的运行,这种维护方式不仅效率低、工人的工作量大,且仅依靠工人的经验进行故障识别,容易发生错判、漏判的现象而危及行车安全。随着我国铁路朝高速、重载运行的方向发展,S700K交流电动转辙机广泛应用于当前的铁路线路,为了提高其工作的安全性与可靠性,应用智能数据分析处理技术实现对S700K交流电动转辙机工作状态的智能感知和安全预警十分必要。针对上述提出的问题,本文的主要研究内容如下:第一,S700K交流电动转辙机输出功率的变化可以反映道岔尖轨推拉力的变化,而作用于道岔尖轨的推拉力可以反映转辙机内部的运行状态,本文以应用于提速道岔区段的S700K交流电动转辙机为研究对象,提出了一种基于EEMD（Ensemble Empirical Mode Decomposition）多尺度模糊熵的故障特征提取方法。该故障特征提取方法运用到了集合经验模态分解算法、模糊熵和参数归一化等知识理论,将S700K转辙机功率曲线自适应的分解为频率由高到低的本征模态函数IMF（Intrinsic Mode Function）,提取每一个IMF分量上的模糊熵作为故障诊断特征参数,建立S700K转辙机常见故障的诊断特征集。第二,本文采用灰色关联度算法和模糊聚类方法,根据故障特征分别对S700K电动转辙机的故障类型进行识别。灰色关联度算法通过计算待检样本特征量与故障特征集中各故障特征量之间的关联度值,基于分辨率取值原则及不同分辨系数下故障识别的准确度存在差别,合理选择分辨系数对诊断系统进行功能测试;基于模糊聚类方法的故障识别,首先通过平移标准差变换与平移极差变换对原始特征模式矩阵进行归一化处理,然后引入描述样本之间相似度的指标,建立原始特征模式矩阵的模糊相似矩阵,采用传递闭包法构建模糊等价矩阵并形成动态聚类图进行故障识别。通过将某电务段S700K电动转辙机某故障功率曲线作为测试样本进行诊断系统功能验证,实验结果表明了这两种故障诊断方法应用于S700K电动转辙机故障诊断的可行性。
李锋[4]（2020）在《信任函数理论框架下新聚类分析方法的研究》文中进行了进一步梳理聚类分析是一种常见的统计分析方法,它也是机器学习和模式识别领域一个重要的研究课题.聚类分析基于样本间的相似性将样本分成不同的组,使得同一组中的样本间相似性高,而不同组之间的样本相似性低.目前,聚类分析在数据挖掘、图像分割等领域有广泛的应用.根据不同的聚类结果,聚类分析方法可以分为硬聚类方法和软聚类方法.其中软聚类包括模糊聚类方法和证据聚类方法.特别是基于证据理论（或称为信任函数理论）的聚类方法最近受到越来越多学者的关注,这是因为证据理论被认为是更具一般性的理论框架,如在聚类问题中,其他的软聚类方法（如模糊聚类方法）得到的结果都可以看作是证据聚类方法得到结果的特例.更重要的是,不同于经典的概率理论,证据理论中的核心概念信任函数是一种非可加测度,在处理非线性、不确定性问题时有其独到之处.如在聚类分析中,有些样本分属多个不同的类都有一定的可能性或信任度,而不能肯定某个样本一定属于某个类.此时样本与类之间的隶属关系带有这种不确定性,而信任函数可以很好地表示这种不确定性,即把样本分属不同类别的可信度用信任函数表示.本文主要考虑在证据理论的框架下,探讨新的聚类分析方法.具体地讲,研究内容有以下四个方面.（1）在现有证据聚类方法的基础上,研究一种新的带约束的证据聚类方法（k-CEVCLUS方法）.以往证据聚类（EVCLUS）算法和k-EVCLUS算法,都可以处理相异性数据,这些方法中一个基本假设是:样本间相似性越高,他们对应质量函数间的冲突度就越低.约束的证据聚类方法（CEVCLUS算法）考虑将先验信息融入证据聚类方法中,该方法主要考虑了成对约束的先验信息.原始的CEVCLUS方法能够得到很好的聚类结果,但是该方法只能处理小样本的数据集,而且计算的耗时长、空间复杂度高.因此,我们在这些方法的基础上研究了新的约束聚类方法,记为k-CEVCLUS方法.新提出的方法改进了原有方法的目标函数,使目标函数可以分解成每个样本对应质量函数的二次函数,从而可以通过迭代行的二次规划算法优化该目标函数.k-CEVCLUS方法通过使用新的目标函数和优化方法,进一步降低了算法的用时和空间复杂度,因此该方法能够处理大样本量的数据集（样本量为1万左右）.在数值实验中我们发现,当样本量很大时,需要的约束个数也随之增加,当约束个数同样本量同一数量级时,才能达到理想的聚类效果.因此,我们研究一种约束拓展方法,当只有少量的约束给定时,该方法可以进一步改善聚类的效果.（2）在证据累积方法（EAC）的基础上,研究基于证据理论的聚类集成方法.多数情况下,聚类集成方法主要包含两个关键步骤:第一步得到一组基础划分,第二步结合基础划分得到集成的聚类结果.同经典证据累积方法一样,我们的方法在集成的第一步先通过模糊聚类方法得到的结果经硬化处理后的硬划分,作为基础划分.从硬划分出发,在证据理论框架下将其转换成一种中间表示,称这种中间表示为关系表示.在证据理论中,一般地认为得到的这一关系表示是不可靠的,可以用折扣过程对其进行预处理.然后就可以用不同的结合法则融合所有关系表示.从融合后的关系表示中提取蕴含矩阵或似然矩阵,将其视为样本间的互相关矩阵.为了能够充分利用样本间的传递性,将得到的互相关矩阵视为一个模糊关系,对其做传递闭包处理,从而得到一个模糊等价关系.将模糊的等价关系视为新的相似性数据,用能够处理相似性数据的聚类方法得到最终的结果.最后,通过实验表明该聚类集成方法的稳定性和有效性.（3）在模糊划分的基础上,研究基于证据理论的模糊聚类集成方法.在经典的聚类集成方法中,往往通过经典的聚类方法得到硬划分,并将硬划分作为基础划分.即使是通过模糊聚类方法（如模糊c-means方法）得到模糊划分,往往通过硬化处理得到硬划分作为基础划分,这样做会损失很多信息.为了能够充分利用模糊划分中的信息,我们在证据理论的框架下提出一种新的模糊聚类集成方法.在新提出方法的第一步,我们用模糊聚类方法得到一组模糊划分.对于每个模糊划分,我们用质量函数表示样本间的“相似性”.为了充分利用相关信息,我们提取了两种类型的关系表示.基于考虑的关系表示,通过结合法则得到融合的关系表示.在方法的第二步,我们考虑两种集成方法:（1）基于融合的关系表示得到样本间的互相关矩阵,将其作为模糊c-means方法的输入,得到的结果即为集成的结果;（2）基于信任的兰德指数构造一个目标函数,优化该目标函数得到一个模糊划分,作为集成的聚类结果.通过数据集上的实验表明新提出方法可以进一步提高聚类的精确度.（4）在证据聚类方法的基础上,研究新的证据聚类集成方法.不同于其他聚类集成方法,在该方法的第一步,我们通过证据聚类方法（如证据c-means方法）,得到一组基础划分.在证据理论中,每个基础划分都是一个证据划分.证据划分可以表示样本和类之间的隶属关系中存在的不确定性,这种表示方法能够更好的表现数据中的聚类结构.然后我们将基础划分转换成关系表示,而不是直接结合这些基础划分.通过结合法则进行融合,得到的结果称为融合的关系表示.为了充分利用样本间的信息,在直觉的模糊关系理论基础上,将融合后的关系表示视为直觉的模糊关系,进行传递闭包处理得到直觉的模糊等价关系,再从中提取一个新的关系表示.在信任的兰德指数基础上构造一个关于新关系表示的目标函数,通过优化该目标函数,从而得到一个证据划分,作为最终的集成结果.通过模拟和真实数据集上的结果表明该方法的优势.
秦悦[5]（2020）在《成对约束半监督聚类算法研究》文中认为半监督聚类算法是将传统聚类中加入了半监督学习思想而形成的一种新型算法,可以运用监督信息对聚类进行引导,监督信息可以分为成对约束和独立的类标签,但是在现实生活中,独立类标签往往需要大量的精力才可以获得,而样本之间成对关系的确定较为简单,所以考虑通过成对约束的监督信息来让聚类性能得到提升。但传统半监督聚类的缺点也是不可忽视的。首先初始先验集合的筛选具有随机性,其次在数据集中,带有监督信息的样本点数量远远少于未标记样本点的数量,此时通过主动学习可以对未标记样本数据进行训练,但已有的结合主动学习的半监督框架都具有较高的迭代时间,最后,目前为止成对约束在模糊聚类等软划分的方法上也可能会出现局部最优的情况。针对上述问题,本文对成对约束的半监督算法进行了研究。具体内容如下:针对已有的主动学习半监督研究框架和模型中迭代不稳定且先验信息选择上的随机性,本文考虑运用密度准则对先验集合进行确定,并通过主动学习,对未标记样本中不确定性最大的点进行主动约束标记,并对其约束条件进行了重新定义,通过对传统的半监督聚类进行了改进,提出了基于主动学习的稳定Cop-Kmeans聚类算法（Iterative Stable Cop-kmeans Clustering Based on Active Learning,ISCC-AL）。ISCC-AL算法分两部分进行,分别是构建稳定先验集合和主动迭代框架。通过标准数据集上的实验结果可以看出该算法相比传统半监督聚类,在聚类结果和迭代时间上都具有更好的性能。现实生活中数据集较多都是模糊性的,为了解决由模糊性导致了错误划分情况,同时加入成对约束,提出了改进的基于交叉熵的主动半监督模糊聚类算法（Active semi-supervised FCM based on Cross-Entropy,ASFCM-CE）。该算法通过添加权值和交叉熵对目标函数进行改进,并在后续过程中,主动对边界较为模糊点进行约束标记,从而使得聚类边界划分更加清晰。最终通过实验,本文算法可以得到更高的准确率。该论文有图28幅,表14个,参考文献111篇。
胡东来[6]（2020）在《基于云模型的地下管线测量质量分析与评价》文中研究表明随着城镇化速度的不断加快,地下管线的普查与建设等工程发展极为迅速,地下管线数据也随之大量堆积,如何合理挖掘、充分利用这些数据成了一个越发重要的问题,而目前,针对该问题的相关研究却极为稀少。由于地下管线测量数据的质量分析和评价问题常常带有强烈的模糊性与随机性,经典数学“硬计算”在该类问题处理上已显不足。而随着基于模糊数学的聚类理论,以及模糊数学的延伸理论——云模型的广泛使用,使得大数据挖掘分析和模糊性评价问题有了一种新颖且有效的解决方法。于是本文围绕以上问题和相应解决方法进行了相关研究,主要工作如下:（1）系统的介绍了模糊数学理论和云模型理论,并分析了其在管线测量数据挖掘上的可行性。经分析发现,影响各管线探测质量的因素具有一定的模糊性和随机性,而探测质量评价也带有强烈的模糊性与随机性,于是,对基于模糊数学的聚类理论和延续并扩展了模糊数学的云模型理论进行研究并应用成为了本文的重点。（2）针对各管线探测质量影响因素的相似性与差异性,以及其强烈的模糊性,建立了影响因素分析的模糊聚类模型,并结合探测实验深入研究了影响因素指标的特点与重要性。对于在以上随机因素影响作用下的管线探测质量,提出了基于模糊理论的云模型分析和云模糊评价方法,提出了适用于管线物探数据分析挖掘的逆向云算法,以及评价指标权重的确定方法。（3）将以上研究成果及模型在大连某区域探测工程上进行了应用。经应用发现,模糊聚类分析法在寻找影响管线探测质量的主要因素上,有着独特的优势,其以聚类的方法得出了在影响因素上各专业管线的差异性和相似性,通过模糊聚类,有效减少了分析的工作量,更多更好地利用了管线成果数据,且为提高管线探测质量提供了理论依据和决策支持。利用云模型对以上随机影响因素作用下的探测成果进行分析和评价发现,云模型在分析挖掘物探数据方面,能够根据云数字特征提供多角度多层次的决策知识;在测量质量评价方面,云模型解决了模糊综合评价的固有不彻底性及最大隶属度问题,为管线质量评价提供了一个新颖且更加科学合理的方法。
夏晶晶[7]（2020）在《基于模糊计算的SOFM混合系统研制以及应用》文中进行了进一步梳理数据挖掘的诞生验证了大数据时代的价值与意义,而其中的聚类分析技术尤其重要。随着全球“云计算”、“物联网”、“人工智能”等科学技术的发展,聚类算法已经渗透到了从居民生活到科学研究中间的各行各业。传统行业里,从土地地形勘测到地质研究到环境分区,再到水域、植物、空气等一系列的聚类研究;在医学上,利用自组织特征映射模型进行光谱图像分隔、细胞图像识别等研究;到现在人工智能社会,受移动互联网迅速发展且在各行各业繁荣昌盛的影响,聚类分析也越来越被追捧,且反过来对行业产生深远影响。聚类的本质是对数据集样本进行分析、将相似的样本归为一类以便下一步处理,这样的行为在各行各业都在被广泛的需要。自组织特征映射神经网络作为智能聚类方法的一种,由于其自组织、自适应的智能特性而尤其被看重。与传统的SOFM算法相比,模糊SOFM的算法是在此基础上新加入模糊数学中隶属度的概念。传统的聚类算法得到的结果太过区域化,这时就需要通过模糊数学让他们的界限反过来变得模糊起来。本文就是通过这样的理念进行了研究、探讨与实践。最终该课题研究成果主要有如下几方面内容:（1）研究了传统的聚类算法的基本原理和背景,并分析了当前聚类算法的现状,并以当前使用情况进行了分类;（2）对模糊理论的原理和背景进行了深入研究,分析了模糊理论中一些较重要的知识点,比如模糊子集、模糊矩阵。并对当前模糊聚类分析的方法进行了简要的讲解;（3）对聚类算法中的SOFM算法进行了详细的分析,并将模糊数学中的隶属度函数与传统的SOFM算法进行结合,提出了基于模糊数学的SOFM系统,并使用某互联网公司内部加密的用户真实数据进行了验证。本文提出的基于模糊数学的SOFM算法已通过真实数据证实了其解决“死神经元”问题的有效性、对聚类类别个数的调整能力以及在实际使用中对结果的灵活选择能力。
黄翊男[8]（2019）在《基于进化计算的时演数据聚类算法研究及其应用》文中认为根据是否会随着时间变化,数据可分为静态数据和时演数据。传统的聚类分析主要处理静态数据,而在实际应用中,诸如股票数据、社交媒体数据等都是会随着时间变化的时演数据。与静态数据不同,在处理时演数据时需要对每个时间步骤的数据都进行聚类。因此,所构造的聚类算法不仅要反映长期聚类趋势,而且对短期变化具有鲁棒性和一定的光滑性。目前,构造时演数据聚类的一种重要方法是通过时间平滑度对传统静态聚类方法的代价函数增加惩罚项[1][2],称之为罚函数类方法。在此聚类框架下,可以方便地扩展各种静态聚类算法,如模糊聚类、K-均值聚类、谱聚类等。然而此类算法都存在与传统静态聚类方法一样的缺点,对初值选取敏感、容易收敛到局部解等。基于时演数据与时间紧密相关的特点,论文针对现有这些聚类算法存在的一些问题,进行了相应的研究与分析,并对已有的算法进行了一定的改进。具体工作如下:（1）将差分进化引入时演数据的演化谱聚类算法中,构造了基于差分进化计算的演化谱聚类方法,利用差分进化实现全局随机寻优,以克服演化谱聚类收敛到局部解的缺点。（2）提出了时演数据的演化模糊聚类算法。根据时间序列上平滑性要求,采用加权的方法推导时演数据的两种模糊聚类格式,在差分进化的框架下,实现了时演数据的演化模糊聚类。（3）修正样本数据的距离,实现时演数据半监督演化聚类。利用辅助信息正关联集合（ML）与负关联集合（CL）,修正样本数据的相似度矩阵。论文采用两种做法,一种是基于数据密度,修正ML与CL点集邻近集合的距离;另一种是对时演数据训练,产生一个新的距离度量。（4）利用基于差分进化的时演数据演化谱聚类算法,实现股票数据的演化聚类,进而分析股票数据的动态趋势。
刘新发,魏文军[9]（2019）在《基于模糊聚类方法的S700K转辙机故障诊断》文中研究说明针对S700K转辙机动作功率曲线非线性、非平稳的特点,提出一种基于模糊聚类的信号分析及故障诊断方法。该方法对转辙机故障下的动作功率曲线提取特征值,由各模式下的10种特征值组成特征模式矩阵,利用模糊聚类分析算法求该矩阵的模糊相似矩阵与模糊等价矩阵,在模糊等价矩阵中,当可变阈值λ在[0,1]内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以形成动态聚类图并得到分类结果,从而实现故障诊断。研究结果表明:该算法能够准确地提取故障特征且支持多种故障同时检测,有效提高了S700K转辙机故障诊断的精度与诊断效率。
冯莎莎[10]（2019）在《基于部分充电策略的电动物流车配送路径优化研究》文中研究指明面对环境污染严重、石油资源短缺的问题,传统燃油车限行等相关政策不断出台。电动物流车由于污染小、能耗低的特点,能够有效解决城市配送带来的“外部不经济性”问题,因此受到了社会各界的鼓励和支持;并且随着电动汽车电池及充电技术的不断发展,其运营成本优势也逐渐凸显。经过调查,众多电商企业开始使用电动物流车替代传统燃油车完成B2B同城配送业务,在电商2B业务中,中小商家客户通常需求量较小、企业配送时零担运输多,因此有效整合客户订单,提高物流资源的利用效率对企业具有重要意义。然而目前电动物流车与传统燃油车相比,仍存在续航里程短、中途充电需要较长时间等不足之处,不合理的配送路径会使配送服务范围及配送服务质量都受到影响,因此本文提出了部分充电策略下的路径规划问题,即车辆充电时不必将电量充满,其充电量为决策变量,根据车辆行驶需求及总成本最小的目标进行确定。考虑到客户订单的多属性特征,为更好的整合客户订单,提高物流资源的利用效率,提出了一种先聚类后路径的优化方法。基于客户订单的多重属性采用模糊系统聚类方法将客户分组,并构建基于部分充电策略的电动物流车路径优化模型对各客户群的配送路径进行优化。具体工作如下:（1）结合电商企业实际订单及相关文献分析影响配送服务的主要因素,提出了地理位置、商品价值、剩余配送时间等主要决策指标。之后分别对定量和定性指标进行处理计算得到模糊等价矩阵,采用模糊系统聚类算法将客户划分到不同的客户群中。通过实例计算发现,基于客户分组的路径规划方法能够有效整合客户订单,提高组内客户订单的相似度,有利于企业为客户提供差异化的配送服务,从而提高服务质量,提升客户满意度。（2）从物流企业经济效益出发,考虑到目前研究中电动物流车采用完全充电策略对配送时间及配送成本的影响,本文结合客户时间窗等约束,将车辆中途充电量设置为决策变量,在满足车辆行驶需求的前提下以总成本最小为目标进行确定,构建部分充电策略下的电动物流车配送路径优化模型,并设计了适合本模型的启发式算法进行求解。（3）利用北京市某电商企业的实际数据进行分析,将客户分组并通过路径优化模型求得各客户群的最优配送路径。通过将本文基于部分充电策略得到的配送方案与目前完全充电策略下的配送方案进行多角度的对比分析,证明采用部分充电策略,对车辆中途充电量进行合理规划,能够有效减少车辆充电时间、满足更多客户的时间窗并降低配送成本,更加符合实际需求。最后,通过灵敏度分析证明了电池容量、充电率因素对电动物流车配送路径的影响。本文图21幅,表14个,参考文献82篇。
二、基于max-⊙传递性的模糊聚类分析（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、基于max-⊙传递性的模糊聚类分析（论文提纲范文）
（1）D快递企业物流服务质量评价研究 ——以青岛地区为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 物流服务质量评价研究现状 |
| 1.2.2 模糊综合评价方法研究现状 |
| 1.2.3 国内外研究现状评述 |
| 1.3 研究内容、方法和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 创新点 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 第2章 相关理论概述 |
| 2.1 物流服务质量 |
| 2.1.1 概念介绍 |
| 2.1.2 物流服务质量影响因素 |
| 2.2 权重确定方法 |
| 2.2.1 基于三角模糊数的层次分析法 |
| 2.2.2 基于熵计算的误差分析方法 |
| 2.3 模糊聚类分析方法 |
| 2.3.1 概念介绍 |
| 2.3.2 应用步骤 |
| 2.4 模糊综合评价法 |
| 2.5 本章小结 |
| 第3章 D快递企业青岛地区物流服务质量现状分析 |
| 3.1 D快递企业发展情况 |
| 3.2 D快递企业物流服务发展现状 |
| 3.2.1 业务介绍 |
| 3.2.2 网点覆盖 |
| 3.2.3 综合服务 |
| 3.2.4 包装材料 |
| 3.3 D快递企业青岛地区物流服务质量存在的问题 |
| 3.3.1 配送时间不合理 |
| 3.3.2 装卸货员工操作不当 |
| 3.3.3 货物在操作过程中丢失损坏 |
| 3.3.4 寄件成本高 |
| 3.4 本章小结 |
| 第4章 D快递企业青岛地区物流服务质量评价指标体系 |
| 4.1 指标体系的构建原则 |
| 4.2 物流服务质量评价指标体系构建流程 |
| 4.3 物流服务质量预选指标体系的构建 |
| 4.4 基于模糊聚类传递闭包法构建指标体系 |
| 4.4.1 数据规格化 |
| 4.4.2 构建模糊相似矩阵 |
| 4.4.3 构建模糊等价矩阵 |
| 4.4.4 指标评价结果分析 |
| 4.4.5 确定评价指标体系 |
| 4.5 本章小结 |
| 第5章 D快递企业青岛地区物流服务质量评价研究 |
| 5.1 构建评价模型 |
| 5.2 基于三角模糊数的层次分析法求取主观权重 |
| 5.3 基于熵计算的误差分析方法求取客观权重 |
| 5.4 基于乘法合成法求取组合权重 |
| 5.5 模糊综合评价 |
| 5.5.1 求取整体评价值 |
| 5.5.2 各指标服务质量评价结果 |
| 5.5.3 不同服务类型评价值 |
| 5.5.4 不同地区服务评价值 |
| 5.6 D企业物流服务质量改善建议 |
| 5.6.1 提高投诉处理能力 |
| 5.6.2 加强快递运输过程中的监管 |
| 5.6.3 提高员工主动性 |
| 5.6.4 合理制定快递价格 |
| 5.6.5 加强对快递网点的监督 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间发表的学术成果 |
| 致谢 |
（2）基于模糊聚类法的滚动轴承故障诊断研究（论文提纲范文）
| 0 引言 |
| 1 滚动轴承的振动信号类型 |
| 2 滚动轴承的振动信号特征参数选择 |
| 3 模糊聚类法的基本流程 |
| 3.1 数据标准化 |
| 3.2 建立模糊相似矩阵 |
| 3.3 建立模糊等价矩阵 |
| 4 实验分析 |
| 5 结论 |
（3）基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术的发展现状 |
| 1.2.2 转辙机故障诊断技术的研究现状 |
| 1.2.3 故障特征提取的现状 |
| 1.3 主要研究内容 |
| 2 道岔转换装置与故障模式分析 |
| 2.1 道岔转换装置的概述 |
| 2.1.1 道岔的基本结构 |
| 2.1.2 道岔外锁闭装置 |
| 2.1.3 转辙机的结构及动作原理 |
| 2.2 道岔转辙机功率曲线分析 |
| 2.2.1 正常动作功率曲线分析 |
| 2.2.2 常见故障及其功率曲线分析 |
| 2.3 小结 |
| 3 基于EEMD多尺度模糊熵的特征提取 |
| 3.1 故障特征提取算法简介 |
| 3.2 EEMD算法的基本原理 |
| 3.2.1 经验模态分解(EMD) |
| 3.2.2 集合经验模态分解(EEMD) |
| 3.2.3 初始化参数的确定 |
| 3.3 模糊熵算法的基本原理 |
| 3.3.1 熵的定义 |
| 3.3.2 模糊熵算法 |
| 3.3.3 初始化参数的确定 |
| 3.4 仿真分析 |
| 3.5 小结 |
| 4 基于灰色关联度与模糊聚类的故障识别方法的研究 |
| 4.1 灰色关联度算法的基本原理 |
| 4.1.1 灰色关联度故障识别策略 |
| 4.1.2 灰色关联度算法 |
| 4.2 模糊聚类方法的基本原理 |
| 4.2.1 模糊聚类故障识别策略 |
| 4.2.2 模糊聚类方法 |
| 4.3 小结 |
| 5 S700K转辙机故障诊断方法的验证 |
| 5.1 基于灰色关联度的故障识别 |
| 5.1.1 灰色关联度算法中分辨系数的确定 |
| 5.1.2 基于灰色关联度故障诊断的功能测试 |
| 5.2 基于模糊聚类方法的故障识别 |
| 5.2.1 特征模式矩阵的建立 |
| 5.2.2 基于模糊聚类故障诊断的功能测试 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）信任函数理论框架下新聚类分析方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表 |
| 第1章 绪论 |
| 1.1 证据理论基础知识简介 |
| 1.1.1 证据划分 |
| 1.1.2 关系表示 |
| 1.2 证据聚类相关方法简介 |
| 1.2.1 证据聚类相关文献综述 |
| 1.2.2 k-EVCLUS方法 |
| 1.2.3 CEVCLUS方法 |
| 1.3 聚类集成相关方法简介 |
| 1.3.1 聚类集成相关文献综述 |
| 1.3.2 证据累积方法 |
| 1.3.3 模糊证据累积方法 |
| 1.3.4 其他相关文献简介 |
| 1.4 模糊等价关系 |
| 1.5 本学位论文研究内容及结构 |
| 第2章 k-CEVCLUS方法:一种新的约束证据聚类方法 |
| 2.1 引言 |
| 2.2 带约束的k-EVCLUS方法 |
| 2.2.1 k-CEVCLUS方法 |
| 2.2.2 约束拓展策略 |
| 2.3 数值实验 |
| 2.3.1 参数设置 |
| 2.3.2 调整参数的选取 |
| 2.3.3 其他方法的比较 |
| 2.3.4 大数据的实验结果 |
| 2.3.5 约束拓展方法的结果 |
| 2.4 结论 |
| 第3章 基于证据理论的新的聚类集成方法 |
| 3.1 引言 |
| 3.2 新的聚类集成方法 |
| 3.2.1 关系表示 |
| 3.2.2 传递闭包 |
| 3.3 新方法与其他方法的关系 |
| 3.4 实验分析 |
| 3.4.1 数据集 |
| 3.4.2 模糊系数的影响 |
| 3.4.3 数据集的结果 |
| 3.5 结论 |
| 第4章 基于证据理论的模糊聚类集成方法的拓展研究 |
| 4.1 引言 |
| 4.2 新的模糊聚类集成方法 |
| 4.2.1 基础划分 |
| 4.2.2 融合关系表示 |
| 4.2.3 恢复最终的结果 |
| 4.3 数值实验 |
| 4.4 结论 |
| 第5章 证据聚类为基础划分的证据聚类集成新方法 |
| 5.1 引言 |
| 5.2 证据聚类为基础划分的证据聚类集成方法 |
| 5.2.1 基础划分 |
| 5.2.2 传递闭包的融合关系表示 |
| 5.2.3 恢复信任划分 |
| 5.3 实验 |
| 5.3.1 定性实验 |
| 5.3.2 定量实验 |
| 5.4 结论 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（5）成对约束半监督聚类算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要研究内容 |
| 1.5 论文组织结构 |
| 2 相关理论概述 |
| 2.1 数据挖掘 |
| 2.2 聚类分析 |
| 2.3 主动学习 |
| 2.4 本章小结 |
| 3 基于主动学习的成对约束半监督聚类方法 |
| 3.1 半监督聚类分析 |
| 3.2 基于主动学习的半监督框架 |
| 3.3 基于主动学习的迭代稳定Cop-kmeans聚类算法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于熵的成对约束半监督聚类方法 |
| 4.1 交叉熵介绍 |
| 4.2 相关算法介绍 |
| 4.3 改进的基于交叉熵的主动半监督模糊聚类算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于云模型的地下管线测量质量分析与评价（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外管线测量研究现状 |
| 1.2.2 管线数据质量评价研究现状 |
| 1.3 论文的结构与研究内容 |
| 2 模糊聚类理论与云模型 |
| 2.1 模糊数学 |
| 2.1.1 模糊集合 |
| 2.1.2 模糊数学方法 |
| 2.1.3 管线探测的模糊性与随机性 |
| 2.2 云模型 |
| 2.2.1 云的基本定义 |
| 2.2.2 云的数字特征 |
| 2.2.3 正态云模型 |
| 2.2.4 云发生器 |
| 2.3 本章小结 |
| 3 管线测量质量分析评价的不确定性方法研究 |
| 3.1 管线探测影响因素分析的模糊聚类模型 |
| 3.1.1 探测方法因素 |
| 3.1.2 观测参量因素 |
| 3.1.3 管径与埋深 |
| 3.1.4 模糊聚类分析模型的构建 |
| 3.2 管线测量质量评定的云模型 |
| 3.2.1 现行质评方法与数据利用的不足 |
| 3.2.2 管线几何数据的逆向云算法 |
| 3.2.3 评价指标权重的确定 |
| 3.2.4 管线测量质量评价云模型的构建 |
| 3.3 本章小结 |
| 4 地下管线测量质量的模糊云分析评价 |
| 4.1 工程背景 |
| 4.1.1 复测抽样检查 |
| 4.1.2 外业成果精度分析 |
| 4.2 探测质量影响因素的模糊分析 |
| 4.2.1 管线探测成果聚类 |
| 4.2.2 聚类结果及分析 |
| 4.3 探测质量的云分析评价 |
| 4.3.1 物探数据云分析 |
| 4.3.2 基于云模型的管线测量质量评价 |
| 4.3.3 评价方法对比分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 致谢 |
（7）基于模糊计算的SOFM混合系统研制以及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 聚类算法的介绍 |
| 1.4 本文结构 |
| 1.5 本章小结 |
| 第2章 SOFM神经网络 |
| 2.1 聚类的简介及原理 |
| 2.1.1 特征选择和特征变换 |
| 2.1.2 聚类算法设计或选择 |
| 2.1.3 聚类结果评价与物理解析 |
| 2.2 SOFM神经网络的背景 |
| 2.3 SOFM神经网络的现状 |
| 2.4 SOFM神经网络的简介 |
| 2.5 本章小结 |
| 第3章 模糊理论 |
| 3.1 模糊理论的背景 |
| 3.2 模糊理论的现状 |
| 3.3 模糊理论的简介 |
| 3.4 本章小结 |
| 第4章 模糊SOFM神经网络的设计与实现 |
| 4.1 模糊SOFM神经网络介绍 |
| 4.1.1 SOFM神经网络的原理 |
| 4.1.2 SOFM神经网络优缺点 |
| 4.1.3 模糊SOFM的算法设计 |
| 4.2 系统的设计与实现 |
| 4.3 数据实测与结论 |
| 4.3.1 数据实测及结果 |
| 4.3.2 实验结论 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（8）基于进化计算的时演数据聚类算法研究及其应用（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 |
| 1.3 主要研究内容 |
| 1.4 论文创新点 |
| 1.5 论文组织结构 |
| 第2章 聚类方法与差分进化计算简述 |
| 2.1 常用聚类方法最优化描述形式 |
| 2.1.1 K-均值聚类 |
| 2.1.2 谱聚类 |
| 2.1.3 模糊聚类 |
| 2.1.4 DBSCAN聚类 |
| 2.2 差分进化计算简述 |
| 2.3 本章小结 |
| 第3章 基于加权平滑的时演数据谱聚类 |
| 3.1 基于差分进化的演化谱聚类 |
| 3.2 数值实例 |
| 3.3 本章小结 |
| 第4章 基于加权平滑的时演数据模糊聚类 |
| 4.1 基于差分进化的演化模糊聚类 |
| 4.2 数值实例 |
| 4.3 本章小结 |
| 第5章 基于加权平滑的时演数据半监督聚类 |
| 5.1 基于距离修正的半监督谱聚类 |
| 5.1.1 约束集介绍 |
| 5.1.2 改进的相似度矩阵 |
| 5.1.3 修正距离的时演数据半监督演化谱聚类算法流程 |
| 5.1.4 数值实例 |
| 5.2 基于距离学习的半监督聚类 |
| 5.2.1 基于差分进化的距离学习算法 |
| 5.2.2 时演数据的半监督演化模糊聚类 |
| 5.3 本章小结 |
| 第6章 金融股票市场中的时演数据聚类分析 |
| 6.1 背景介绍 |
| 6.2 聚类方法 |
| 6.2.1 数据采集 |
| 6.2.2 数据预处理 |
| 6.2.3 时演数据聚类 |
| 6.3 聚类结果分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
（9）基于模糊聚类方法的S700K转辙机故障诊断（论文提纲范文）
| 1 转辙机动作功率曲线分析 |
| 1.1 正常动作功率曲线分析 |
| 1.2 故障功率曲线分析 |
| 2 转辙机故障诊断方法 |
| 2.1 故障特征参数的提取 |
| 2.2 模糊聚类分析算法 |
| 3 实例验证及结果分析 |
| 4 结论 |
（10）基于部分充电策略的电动物流车配送路径优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题背景 |
| 1.2 选题意义 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 研究方法 |
| 2 相关理论及文献综述 |
| 2.1 聚类分析相关理论 |
| 2.1.1 聚类分析概述 |
| 2.1.2 聚类分析方法 |
| 2.2 电动物流车相关理论 |
| 2.2.1 电动物流车的特点及充电模式 |
| 2.2.2 电动汽车充电桩布局现状 |
| 2.2.3 城市配送中电动物流车与传统燃油车区别 |
| 2.3 车辆路径优化问题研究综述 |
| 2.3.1 基本车辆路径问题研究综述 |
| 2.3.2 电动物流车路径问题研究综述 |
| 2.4 聚类技术在车辆路径规划中应用的研究综述 |
| 2.5 现有研究的不足 |
| 3 基于模糊系统聚类算法的客户分组 |
| 3.1 模糊系统聚类算法概述 |
| 3.2 基于模糊聚类法的客户相似度分析 |
| 3.2.1 考虑客户订单多重属性的聚类指标确定 |
| 3.2.2 基于模糊聚类的客户综合相似度计算 |
| 3.3 基于模糊系统聚类法的客户聚类算法思路及流程 |
| 3.3.1 算法思路 |
| 3.3.2 算法流程 |
| 3.4 客户聚类有效性分析 |
| 3.5 本章小结 |
| 4 基于部分充电策略的配送路径优化模型与算法 |
| 4.1 电动物流车配送路径优化问题描述及基本假设 |
| 4.1.1 部分充电策略 |
| 4.1.2 问题描述 |
| 4.1.3 基本假设 |
| 4.2 基于部分充电策略的配送路径优化模型 |
| 4.2.1 变量与参数定义 |
| 4.2.2 目标函数分析 |
| 4.2.3 数学模型构建 |
| 4.3 求解算法 |
| 4.3.1 算法概述 |
| 4.3.2 算法流程 |
| 4.4 本章小结 |
| 5 实例分析 |
| 5.1 案例说明 |
| 5.1.1 A公司介绍 |
| 5.1.2 A公司电动物流车配送中存在问题分析 |
| 5.1.3 原始数据处理 |
| 5.2 基于模糊系统聚类算法的A公司客户分组 |
| 5.2.1 客户订单相似度分析 |
| 5.2.2 客户分组结果 |
| 5.2.3 分组结果分析 |
| 5.3 配送路径优化结果 |
| 5.3.1 部分充电策略下配送路径优化结果 |
| 5.3.2 完全充电策略下配送路径优化结果 |
| 5.3.3 两种充电策略下的电动物流车配送路径优化对比分析 |
| 5.4 灵敏度分析 |
| 5.4.1 电池容量对路径优化的影响 |
| 5.4.2 充电速率对路径优化的影响 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 附录C |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
四、基于max-⊙传递性的模糊聚类分析（论文参考文献）
- [1]D快递企业物流服务质量评价研究 ——以青岛地区为例[D]. 于慧清. 山东财经大学, 2021(12)
- [2]基于模糊聚类法的滚动轴承故障诊断研究[J]. 欧阳承达,赵红梅,张军. 自动化应用, 2020(06)
- [3]基于EEMD多尺度模糊熵的S700K转辙机故障诊断的研究[D]. 刘新发. 兰州交通大学, 2020(01)
- [4]信任函数理论框架下新聚类分析方法的研究[D]. 李锋. 北京工业大学, 2020(06)
- [5]成对约束半监督聚类算法研究[D]. 秦悦. 中国矿业大学, 2020
- [6]基于云模型的地下管线测量质量分析与评价[D]. 胡东来. 大连理工大学, 2020(02)
- [7]基于模糊计算的SOFM混合系统研制以及应用[D]. 夏晶晶. 中国地质大学(北京), 2020(12)
- [8]基于进化计算的时演数据聚类算法研究及其应用[D]. 黄翊男. 浙江大学, 2019(08)
- [9]基于模糊聚类方法的S700K转辙机故障诊断[J]. 刘新发,魏文军. 中南大学学报(自然科学版), 2019(09)
- [10]基于部分充电策略的电动物流车配送路径优化研究[D]. 冯莎莎. 北京交通大学, 2019(01)