{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,5,4]]，“日期-时间”：“2024-05-04T05:07:34Z”，“时间戳”：1714799254900}，“参考-计数”：26，“出版商”：“富士科技出版社”，“问题”：“4”，“资助者”：[{“DOI”：“10.13039\/50100000468”，“名称”：“江苏省自然科学基金会”省“，“doi-asserted-by”：“publisher”，“award”：[“BK20210777”]}，{“name”：“江苏大学资助”，“adward”：[”20JDG068“]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[《JACIII》，“J.Advv.Comput.Intell.Intel.Inform.”]，“published-print”：{“date-parts”：[2022,7,20]}、“abstract”：“”基于支持向量回归的模糊c<\/jats:italic>-均值算法（SVR-FCM）根据属性之间的关系对数据进行聚类，可以为属性之间具有功能关系的数据集提供有竞争力的聚类结果。本文研究了SVR-FCM在不完全数据聚类中的性能首次将c均值算法（FCM）应用于SVR-FCM，并设计了一种新的策略MIS策略来辅助SVR-FCM处理不完整数据。基于不同的不完全数据聚类策略，使用大量合成数据集研究了数据丢失率和丢失属性数对SVR-FCM性能的影响。使用多个工程数据集测试SVR-FCM当前和建议的不完全数据聚类策略的性能。结果表明，对于属性之间具有函数关系的数据集，即使有缺失值，SVR-FCM也可以提供比FCM更好的聚类结果，并且所提出的MIS策略可以帮助SVR-FCM对大多数数据集获得最佳的聚类结果<\/jats:p>“，”DOI“：”10.20965\/jacii.2022.p0483“，”type“：”journal-article“，”created“：{”date-parts“：[2022,7,19]]，”date-time“：”2022-07-19T15:02:21Z“，”timestamp“：1658242941000}，”page“：“483-494”，“source”：“Crossref”，“is-referenced-by-count”：2，“title”：[“基于支持向量回归的模糊研究c<\/i>-Means Algorithm on Incomplete Data Clustering“]，”prefix“：”10.20965“，”volume“：”26“，”author“：[{”given“：“Maolin”，“family”：“Shi”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Zihao”，“家族”：“Wang”，“序列”：“additional”，“从属关系”：[]}，“name”：“中国江苏省镇江市学府路301号江苏大学农业工程学院，邮编212013中国辽宁省大连市甘井子区大连理工大学信息科学与工程国际学院116024“，”sequence“：”additional“，”affiliation“：[]}]，”member“：”8550“，”published-on-line“：{”date-parts“：[2022,7,20]]}，”reference“：[{”key“：”key-10.20965\/jacii.2022.p0483-1“，”doi-asserted-by“：”crossref“，”unstructured“：”A.-K.Shukla和P.-K.Muhuri，基因表达数据集中区间2型模糊不确定性建模的u201cBig-data聚类，《人工智能工程应用》第77卷，第268-282页，2019年。“doi”：“10.1016\/j.engappai.2018.09.002”}，{“key”：“key-10.20965\/jacii.2022.p0483-2”，“”doi-asserted-by“：”crossref“，”unstructured“：”S.Majumder和D.-K.Pratihar，通过模糊聚类和预测工具进行多传感器数据融合，《应用专家系统》，第107卷，第165-172页，2018年。“，”doi“：”10.1016\/j.eswa.2018.04.026“}，{“key”：“key-10.20965\/jacii.2022.p0483-3”，“doi-assert-by”：“crossref.”，“unstructure”：“J.Arora和M.Tushir，用于图像分割的增强空间直觉模糊C均值聚类，《Procedia Computer Science》第167卷，第646-655页，2020年。“，“DOI”：“10.1016\/J.procs.2020.03.331”}，{“key”：“key-10.20965\/jacii.2022.p0483-4”，“DOI-asserted-by”：“crossref”，“unstructured”：“X.Song，M.Shi，J.Wu，and W。Sun，\u201cA new fuzzy c-means clustering based time series segment approach and its application on tunnel bounder machine analysis，\u201 d Mechanical Systems and Signal Processing，Vol.133，Article No.1062792019.“，“DOI”：“10.1016\/j.ymssp.2019.106279”}，{“key”：“key-10.20965\/jacii.2022.p0483-5”，“DOI-asserted-by”：“crossref”，“unstructured”：“c。Peng，Q.Zhang，Z.Kang，C.Chen，and Q.Cheng，\u201cKernel二维岭回归用于子空间聚类，\u201 d模式识别，第113卷，第107749号，2021.“，“DOI”：“10.1016\/j.patcog.2020.107749”}，{“key”：“key-10.20965\/jacii.2022.p0483-6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Y.Chen and Z。Yi，\u201cLocality-constrained least squares regression for subspace clustering，\u201 d Knowledge-Based Systems，第163卷，第51-56页，2019.“，“DOI”：“10.1016\/j.knosys.2018.014”}，{“key”：“key-10.20965”\/jacii.2022.p0483-7“，”DOI-asserted-by“，”：“crossref”，“unstructured”：“S。Bla\u017ei\u010d和I.\u0160krjanc，通过增量模糊c-回归聚类进行混合系统识别，IEEE模糊系统国际会议（FUZZ-IEEE），第1-7页，2020年。“，“DOI”：“10.1109”，“FUZZ 48607.2020.9177678”}，{“key”：“key-10.20965”，“jacii.2022.p0483-8”，”DOI-asserted-by“：”crossref“，“unstructured”：“J.-N.Fuhg和A。Fau，\u201cA分类-未标记数据高斯过程回归的自适应方法，《机械系统与信号处理》，第162卷，第107976号，2022年。“，“DOI”：“10.1016\/j.ymssp.2021.107976”}，{“key”：“key-10.20965”\/jacii.2022.p0483-9“，”DOI-asserted-by“：”crossref“，“unstructured”：“j.Fang，X.Song，N.Yao，and M。Shi，\u201c FCM算法与人工神经网络相结合在TBM作业数据中的应用，《工程与科学中的计算机建模》，第126卷，第1期，第397-417页，2021.“，“DOI”：“10.32604\/cmes.2021.012895”}，{“key”：“key-10.20965\/jacii.2022.p0483-10”，“DOI-asserted-by”：“crossref”，“unstructured”：“M.Shi，T.Zhang，L.Zhan，W。Sun，X.Song，基于数据属性之间关系的模糊c均值算法及其在隧道掘进机中的应用，基于知识的系统，第191卷，第1052292020号文章。“，DOI：”10.1016\/j.knosys.2019.105229“}，{“key”：“key-10.20965\/jacii.2022.p0483-11”，“DOI-asserted-by”：“crossref”，”非结构化“j.-K。Dixon，部分缺失数据的模式识别，IEEE Trans。《系统、人与控制论》，第9卷，第10期，第617-621页，1979年。“，“DOI”：“10.1109”，“TSMC.1979.4310090”}，{“key”：“key-10.20965”，jacii.2022.p0483-12“，”DOI-asserted-by“：”crossref“，“unstructured”：“Q.Z.Chen，\u201cA用于聚类不完整大传感器数据的分布式加权可能c-means算法，\u201 d Int。分布式传感器网络杂志，第10卷，第5期，2014年。“，“DOI”：“10.1155”，{“key”：“key-10.20965”，jacii.2022.p0483-13“，“DOI-asserted-by”：“crossref”，“unstructured”：“T.Furukawa，S.Ohnishi，and T.Yamanoi，\u201cA study on a fuzzy clustering for mixed numerical and categorical complete data，\u 201d Int。《模糊理论及其应用》，第425-428页，2013年。“，”DOI“：”10.1109“iFuzzy.2013.6825477”}，{“key”：“key-10.20965”，jacii.2022.p0483-14“，”DOI-asserted-by“：”crossref“，“unstructured”：“R.-J.Hathaway and J.-C。Bezdek，使用非欧几里德关系模糊c均值算法聚类不完全关系数据，《模式识别快报》，第23卷，第1-3期，第151-160页，2002年。“，“DOI”：“10.1016\/S0167-8655（01）00115-5”}，{“key”：“key-10.20965\/jacii.2022.p0483-15”，“DOI-asserted-by”：“crossref”，”非结构化：“L.Himmelspach和S。Conrad，\u201cFuzzy clustering of uncomplete data based on cluster discussion，\u201 d Proc.基于聚类离散度的不完全数据模糊聚类。《基于知识的系统中信息处理和不确定性管理国际会议》，第59-68页，2010年。“，”DOI“：”10.1007\/978-3642-14049-5_7“}，{“key”：“key-10.20965\/jacii.2022.p0483-16”，“DOI-asserted-by”：“crossref”，”非结构化“：”B.Abidi和S.-B。Yahia，\u201cA new algorithm for fuzzy clustering handling uncomplete dataset，\u201 D Int.J.on Artificial Intelligence Tools，Vol.23，No.4，Article No.1460012，2014.“，”DOI“：”10.1142\/S0218213014600124“}，{“key”：“key-10.20965\/jacii.2022.p0483-17”，“DOI-asserted-by”：“crossref”，“unstructured”：“D.-Q.Zhang and S.-C。Chen，使用基于核的模糊c均值算法对不完整数据进行聚类，《神经处理快报》，第18卷，第3期，第155-162页，2003年。Khoshgoftaar，《软件测量数据中的不完全近邻插补》，《信息科学》，第259卷，第596-610页，2014年。Zhong，\u201cFuzzy c-means基于缺失值概率信息颗粒的不完全数据聚类，\u201 d Knowledge-based Systems，第99卷，第51-70页，2016。“，“DOI”：“10.1016\/j.knosys.2016.01.048”}，{“key”：“key-10.20965\/jacii.2022.p0483-20”，“DOI-asserted-by”：“crossref”，“unstructured”：“j.-c.Bezdek，R.Ehrlich，and W。Full，\u201cFCM:模糊c-均值聚类算法，\u201d计算机与地球科学，第10卷，第2-3期，第191-2031984页。Bezdek，\u201cFuzzy c-means不完全数据的聚类，\u201 d IEEE Trans。《系统、人与控制论》，B部分（控制论），第31卷，第5期，第735-744页，2001年。Embrachts，\u201c关于使用调整后的兰德指数作为评估监督分类的指标，\u201 d Proc。人工神经网络国际会议，第175-184页，2009年。“，“DOI”：“10.1007”，{“key”：“key-10.20965”，jacii.2022.p0483-23“，“DOI-asserted-by”：“crossref”，“unstructured”：“P.-A.Est\u00e9vez，M.Tesmer，C.-A.Perez，and J.-M。Zurada，\u201cNormalized mutual information feature selection，\u201 d IEEE Trans。神经网络，第20卷，第2期，第189-201页，2009年。“，“DOI”：“10.1109”，“TNN.2008.2005601”}，{“key”：“key-10.20965”，jacii.2022.p0483-24”，“非结构化”：“A.Agogino and K.Goebel，\u201cMilling Data Set，\u201 d BEST lab，加州大学伯克利分校，NASA Ames Prognostics Data Repository，NASA Emes Research Center，Moffett Field，CA，2007。http:\/\/ti.arc.nasa.gov\/project\/prodictionary data repository[访问日期：2020年8月23日]“｝，｛”key“：”key-10.20965\/jacii.202.p0483-25“，”doi asserted by“：”crossref“，”unstructured“：”A.Tsanas和A。Xifara，\u201c使用统计机器学习工具对住宅建筑的能源性能进行准确定量评估，《能源与建筑》，第49卷，第560-567页，2012年。“，“DOI”：“10.1016\/j.enbuild.2012.03.003”}，{“key”：“key-10.20965\/jacii.2022.p0483-26”，“DOI-asserted-by”：“crossref”，“unstructured”：“L.Fortuna，A.Rizzo，M。Sinatra和M.-G.Xibilia，《硫磺回收装置的软分析仪》，《控制工程实践》，第11卷，第12期，第1491-1500页，2003年https:\/\/www.fujipress.jp\/main\/wp-content\/themes\/fujipress\/hyosetsu.php？ppno=JACIL002600040004“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,7,19]]，”date-time“：“2022-07-19T15:03:00Z”，”timestamp“：1658242980000}，”score“：1，”resource“：”{“primary”：{“URL”：“https://www.fujipress.jp\/jaciiii\/jc\/jaciiii002 600040483“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2022,7,20]]}，”references-count“：26，”journal-issue“：{”issue“：”4“，”published-online“：{》date-part“：[2022,7,20]]}，“published-print”：{“date-parts”：[[2022,7,20]]}}，《URL》：“http://\/dx.doi.org\/10.20965\/jacii.2022.p0483”，“relationship”“：{}，”ISSN“：[”1883-8014“，”1343-0130“]，”ISSN-type“：[{”value“：”1883-80214“，“type”：“”电子“}，{”值“：”1343-0130“，”类型“：”打印“}]，”主题“：[]，”发布“：{”日期部分“：[2022,7,20]]}}}