模糊C-平均值演算法步驟1.ppt

引理 27.2 證　明 (27.32) * 定理 27.2 令vi(l),uik(l),l=0,1,2,…是從模糊C-平均值演算法 (27.28) 與 (27.29) 式產生的序列。如果m1與 對所有k=1,2,…,n, i=1,2,…,c與l=0,1,2,…，則我們得到 (27.33) 對l=0,1,2,…。 * 定理 27.2 證　明 (27.34) (27.35) * 27.4 模糊C-平均值演算法的收斂 令Ω為集合 (27.36) 則它被Bezdek, Hathaway, Sabin與Tucker [1987] 證明，模糊C-平均值演算法不是結束在Ω的點就是存在收斂到Ω的點之結果。至於細節讀者可參考Bezdek, Hathaway, Sabin與Tucker [1987]。 * 27.5 總結與更多的閱讀 對圖樣識別使用模糊模型的動機。 硬式與模糊C-分群的定義與硬式C-平均值演算法的步驟。 模糊C-平均值演算法的詳細步驟與其理論的證明。 模糊C-平均值演算法的收斂特性。 * * 27 模糊C-平均值演算法 * 27.1 為何模糊模型可針對圖樣識別？ 圖樣識別具有在吵雜或複雜環境中有意義規則機器識別之領域。簡單地說，圖樣識別是在資料中對於結構的尋找。例如，圖27.1顯示在平面上資料結構的四種狀況：觀察圖27.1，我們看到四個狀況的每一個資料必須被分類到二個群組，但是一個「群組」的定義是不同的。 * 27.1 為何模糊模型可針對圖樣識別？ 特別的是在圖27.1(a) 的群組必須根據介於資料點間的距離來分類（也就是在其中短距離的資料點必須被聚集在一起），在圖27.1(b) 的群組必須根據資料點的聯結來識別（也就是聯結良好的資料點必須被分類到同一個群組），並且在圖27.1(c)～(d) 的群組必須從距離型與聯結型準則的混合來定義。在圖樣識別中，資料的群組稱為分群 (cluster)。 * 27.1 為何模糊模型可針對圖樣識別？ * 27.1　可能的資料結構 27.2 硬式與模糊C-分群 硬式的C-分群能夠透過在Ai中元素xk的特性（歸屬）函數來重新公式化。特別是定義 (27.1) 其中 與k=1,2,…,n。 * 27.2 硬式與模糊C-分群 明顯地，uik=1意指xk屬於分群Ai 。已知uik的值，我們能夠唯一地決定一個X的硬式C-分群，並且反之亦然。uik必須滿足下列三個條件： (27.2) (27.3) (27.4) (27.2) 與 (27.3) 式同指每一個 必須屬於1個而且只有1個的分群。(27.4) 式要求每一個分群Ai必須包含至少1個且至多n－1個資料點。 * 定義 27.1 硬式C-分群 (hard c-partition)。令X={x1,…,xn}為任意集合，Vcn為實數c×n矩陣U=[uik]的集合，而且c為2≦cn的整數。則對X的硬式C-分群空間為集合 (27.5) * 範例 27.1 令X為3輛汽車的集合： (27.6) 如果c=2，則在 (27.2)～(27.4) 式的限制下，有三種X的硬式C-分群 (27.7) 分別限制 (27.3) 與 (27.4) 式規則排除矩陣如 (27.8) * 範例 27.1 如果我們的目標是分割X為美國車與日本車，則U3為最合適的分群。然而，如我們在第2章的討論，美國車與日本車之間的區別並不是明確的，因為美國車的很多部分是從日本進口並且一些日本車是在美國製造的。顯而易見地要求解這個問題的一個方法是允許uik代表在區間[0,1]上的任意值。 * 27.2 硬式與模糊C-分群 硬式C-分群的另一個問題是空間Mc太大。事實上， (27.9) 為一些分開的方法來分割X為c的非空子集合。 * 定義 27.2 模糊C-分群 (fuzzy c-partition)。令X,Vcn與c如同定義27.1。則對X的模糊C-分群為集合 (27.10) uik為xk的歸屬函數值屬於分群Ai。注意條件 (27.4) 式並不包括在定義Mfc；這在Bezdek [1981] 稱為退化的模糊C-分群。 * 27.2 硬式與模糊C-分群 再考慮範例27.1。使用模糊C-分群，X更合理的分群可能是 (27.11) * 27.3 硬式與模糊C-平均值演算法 27.3.1　目標函數分群與硬式C-平均值演算法 要如何從空間Mc或Mfc選擇「最佳」的分群？方法有三種：階級法、圖樣法與目標函數法。在階級法中，合併與分割技巧是根據一些相似性的量測來架構新的分群；結果是一群的階級。 * 27.