[发明专利]信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用

权利要求书

1.信息反馈极限学习机优化估值的缺失数据模糊聚类算法在带钢数据聚类统计中的应用，其特征在于，包括如下过程：

1)采集实验数据：采集带钢某一时段收集的数据，作为数据样本；

2)从该采集数据样本提取以下属性：轧制机架的轧制力、轧制辊间辊缝隙大小、轧制辊间辊缝差、入口温度、出口温度、轧制电流大小、轧制速度、SONY值；

3)将步骤2)采集的属性值作为训练数据集；

4)对数据集进行归一化处理；因为数据属性数量级原因，首先要将数据集中所有数值转化到[0，1]区间内的相应值，以消除数据间的差异；

5)对训练样本选择并优化；采用互信息计算并选择相关度较高的数据属性，依据这些属性选择不完备数据中的完备数据作为FELM网络的训练样本；

6)对FELM网络参数确定；初始化输入权值ω以及偏置值b；ω和b的初始化值设置在区间[-1,1]之间，随机选取该区间的任意随机数对网络进行初始化，确定极限学习机的隐藏层节点数；

7)缺失属性估值；根据最近邻规则对缺失属性进行预填充，并根据训练样本训练得到的误差采用误差检索法对预填充值进行调整直至找到合理的数值进行填补；

8)使用FCM算法对恢复完整的数据集进行聚类分析

信息反馈极限学习机优化估值的缺失数据模糊聚类算法，步骤如下：

2.1)采用互信息计算并选择相关度较高的数据属性，依据这些属性选择不完备数据中的完备数据作为FELM网络的训练样本；

其中，μ_X(x)表示变量X的边缘概率密度函数；μ_Y(y)表示变量Y的边缘概率密度函数；μ_XY(x,y)表示变量之间联合概率密度函数；

2.2)对FELM网络参数确定：初始化输入权值ω以及偏置值b；ω和b的初始化值设置在区间[-1,1]之间，随机选取该区间的任意随机数对网络进行初始化，确定极限学习机的隐藏层节点数；

2.3)根据最近邻规则对缺失属性进行预填充，并根据训练样本训练FELM网络得到的误差采用误差检索法对预填充值进行调整直至找到合理的数值进行填补，进而得到恢复后的完整数据集；

2.4)初始化模糊C均值算法的参数，聚类数目c，模糊系数m，阈值ε及隶属度划分矩阵U⁽⁰⁾；

2.5)利用模糊C均值对恢复后的完整数据集进行聚类，当迭代次数t＝l时，根据公式(2)和隶属度划分矩阵U^(l-1)计算聚类中心矩阵V^(l)，根据公式(3)和V^(l)更新U^(l)，对于给定的阈值ε，如果算法终止；否则，l＝l+1，继续迭代更新隶属度划分矩阵和聚类中心；

。