Matlab学习系列23模糊聚类分析原理及实现..docx

23. 模糊聚类分析原理及实现聚类分析，就是用数学方法研究和处理所给定对象，按照事物间的相似性进行区分和分类的过程。传统的聚类分析是一种硬划分，它把每个待识别的对象严格地划分到某个类中，具有非此即彼的性质，这种分类的类别界限是分明的。随着模糊理论的建立，人们开始用模糊的方法来处理聚类问题，称为模糊聚类分析。由于模糊聚类得到了样本数与各个类别的不确定性程度，表达了样本类属的中介性，即建立起了样本对于类别的不确定性的描述，能更客观地反映现实世界。本篇先介绍传统的两种（适合数据量较小情形，及理解模糊聚类原理）：基于择近原则、模糊等价关系的模糊聚类方法。（一）预备知识一、模糊等价矩阵定义1 设R=(rij)n×n为模糊矩阵，I为n阶单位矩阵，若R满足i) 自反性：I≤R （等价于rii =1）；ii) 对称性：RT=R;则称R为模糊相似矩阵，若再满足iii) 传递性：R2≤R（等价于）则称R为模糊等价矩阵。定理1 设R为n阶模糊相似矩阵，则存在一个最小的自然数k（kn）, 使得Rk为模糊等价矩阵，且对一切大于k的自然数l，恒有Rl=Rk. Rk称为R的传递闭包矩阵，记为t(R).二、模糊矩阵的λ-截矩阵定义2 设A=(aij)n×m为模糊矩阵，对任意的λ∈[0,1], 作矩阵其中，称为模糊矩阵A的λ-截矩阵。显然，Aλ为布尔矩阵，且其等价性与与A一致。意义：将模糊等价矩阵转化为等价的布尔矩阵，可以得到有限论域上的普通等价关系，而等价关系是可以分类的。因此，当λ在[0,1]上变动时，由Aλ得到不同的分类。若λ1＜λ2, 则Aλ1≥Aλ2, 从而由Aλ2确定的分类是由Aλ1确定的分类的加细。当λ从1递减变化到0时，Aλ的分类由细变粗，逐渐归并，形成一个分级聚类树。例1 设U={u1, u2, u3, u4, u5}, 对给定的U上的模糊等价关系让λ从1到0变化，观察分类过程。 (1) 当λ=1时，分类结果为5类：（每行代表一类，1代表对应元素在该类）{u1}, {u2}, {u3}, {u4}, {u5} (2) 当λ=0.8时，分类结果为4类：{u1, u3}, {u2}, {u4}, {u5} (3) 当λ=0.6时，分类结果为3类：{u1, u3}, {u2}, {u4, u5} (4) 当λ=0.5时，分类结果为2类：{u1, u3, u4, u5}, {u2} (4) 当λ=0.4（R中的最小值）时，分类结果为1类：{u1, u2, u3, u4, u5}整个动态分类过程如下：（二）基于择近原则的模糊聚类择近原则就是利用贴近度来实现分类操作，贴近度用来衡量两个模糊集A和B的接近程度，用N(A,B)表示。贴近度越大，表明二者越接近。设论域有限或者在一定区间，即U={u1, u2, …, un}或U=[a,b], 常用的贴近度有以下三种： (1) 海明贴近度(2) 欧氏贴近度(3) 格贴近度其中，.Matlab实现：格贴近度的实现函数fuz_closing.mfunction y=fuz_closing(A,B,type) %要求A与B列数相同的行向量[m,n]=size(A);switch type case 1 %海明贴近度 y=1-sum(abs(A-B))/n; case 2 %欧氏贴近度 y=1-(sum(A-B).^2)^(1/2)/sqrt(n); case 3 %格贴近度 y1=max(min(ones(m,n)-A,ones(m,n)-B)); %ones(m,n)-A等于A^c y2=max(min(A,B)); y=min(y1,y2);end例2 设某产品的质量等级分为5级，其中一级有5种评判因素u1, u2, u3, u4, u5. 每一等级的模糊集为B1={0.5 0.5 0.6 0.4 0.3}B2={0.3 0.3 0.4 0.2 0.2}B3={0.2 0.2 0.3 0.1 0.1}B4={0.1 0.1 0.2 0.1 0}B5={0.1 0.1 0.1 0.1 0}假设某产品各评判因素的值为A={0.4 0.3 0.2 0.1 0.2}, 问该产品属于哪个等级？代码：A=[0.4 0.3 0.2 0.1 0.2];B=[0.5 0.5 0.6 0.4 0.3; 0.3 0.3 0.4 0.2 0.2; 0.2 0.2 0.3 0.1 0.1; 0.1 0.1 0.2 0.1 0; 0.1 0.1 0.1 0.1 0];for i=1:5 haiming(i)=fuz_closing(A,B(i,:),1); oushi(i)=fuz_closing(A,B(i,:),2); ge(i)=fuz_closing(A,B(i,:),3);endhaimingoushige运行结果：