prlzh3--模糊模式识别.ppt

（1）判断是什么矩阵： 矩阵R的自反性、对称性是明显的，计算传递性： 产生矛盾。 给定一个模糊相似矩阵就可以得到一个模糊等价矩阵。 3.5.2 模糊相似关系直接用于分类 对于模糊相似关系，需要改造成为模糊等价关系，才能 利用截矩阵的方法进行正确分类。但多次矩阵相乘，计算麻 烦。为此寻找由模糊相似矩阵直接进行聚类的方法，如最大树法。 最大树法： 例3.25 设两个家庭，每家3-5人，选每个人的一张照片，共8张，混放在一起，将照片两两对照，得出描述其“相似程度” 的模糊关系矩阵。要求按相似程度聚类，希望把二个家庭分开。 解：(1) 按模糊相似矩阵，画出被分类的元素集，构造“最大树”。 当全部连通时，检查一下全部元素是否都已出现，即保证所有元素都 是连通的。最大树即构造好。 0.2 0.4 0.4 0.2 0.2 0.5 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 回路不画 0.2 0.4 0.4 0.2 0.2 0.5 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 回路不画 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 注意：最大树不唯一，但取截集后，所得子树相同。 ① 任选K个聚类中心； ② 按最近邻规则聚类； ③ 根据聚类结果计算新的聚类中心， 比较新旧聚类中心是否相等； ④ 新旧中心相等，结束；否则回到②。 模糊K-均值算法基本思想： 首先设定一些类及每个样本对各类的隶属度； 然后通过迭代，不断调整隶属度至收敛。 K-均值算法回顾： 3.5.3 模糊K-均值算法 由聚类分析中动态聚类法中的K-均值算法派生出来。 (1) 确定模式类数K，1KN，N为样本个数。 步骤： 加权平均 例如，3个样本时： ！ 例当有两个聚类中心时，样本j对两个类别隶属度的计算： 类似于相对距离 例： 由U(0)可知，倾向于X1、X2、X3为一类，X4为一类。 得 如对X3有： 类似地，可得到U(1)中其它元素，有 3.5.4 模糊ISODATA算法 ISODATA算法：源于K-均值算法。 模糊ISODATA算法：将模糊方法引入ISODATA算法。 算法步骤： 例如：将全体样本均值作为第一个聚类中心，在所有n个特征 方向上加、减一个均方差。 —— 共(2n+1)个聚类中心 (1) 选择初始聚类中心。 ISODATA算法特点：具有类别调整功能。 合并、分解等操作使聚类过程中类别数可变。 ISODATA算法的核心：类别调整。 (3) 类别调整：合并 、分解 、删除。 (4) 最佳类数或最佳结果的讨论。 判定结果好坏的直接依据：隶属度矩阵U。 由于计算机存储量的限制，选取了三个评价分类优劣的判据： ① 最大稳定度 ② 最小相关度 ③ 最大聚类度 (2) 若已选择了K个初始聚类中心，用模糊K-均值算法进行聚类。 由于现在得到的是各聚类中心，所以直接计算下一步的隶 属度矩阵U(1) ，……继续K-均值算法直到收敛，最终得到隶属度矩阵U和K个聚类中心。 结束 2）模糊矩阵合成 对比 对有限论域： 模糊矩阵乘积运算 普通矩阵乘法运算 加法 求大 乘法 求小 类似 ，求Q对R的合成矩阵。 3.3.5 模糊关系的三大性质 例：关系“等于”—— 关系“了解”—— 具有自反性， 不具有自反性。 1．自反性 2. 对称性 3. 传递性 b) S只有对称性，无自反性。 说明： 例：“个子高”—— “认 识”—— 具有传递性， 不具有传递性。 ∴ R是一个传递模糊矩阵。 ？ 解： 例3.19 判断 是否是传递模糊矩阵。 4. 模糊等价关系和模糊相似关系 定义： 3.4 模糊模式分类的直接方法和间接方法 3.4.1 直接方法——隶属原则 直接计算样品的隶属度，根据隶属度最大原则进行分类。 —— 用于单个模式的识别 隶属原则： 隶属原则是显然的，易于公认的，但其分类效果如何， 很大程度上要依赖于建立已知模式类隶属函数的技巧。 现有45岁、30岁、65岁、21岁各一人，问应分别属于哪一类？ 中： 青： 中年 老年 青年 年龄（岁） 1 0.5 0 45 100 20 70