模糊聚类法及其应用探究.docVIP

模糊聚类法及其应用探究摘 要：计算机的发展使得处理海量数据成为计算机的主要任务之一，采用模糊聚类法可以有效地解决这个问题。模糊聚类法主要有传递闭包法、最大树法，模糊C2均值方法等，能够应用于经济学，生物学，气象学，信息科学，工程技术科学等许多领域。 关键词：模糊聚类；应用 　　中图分类号：TP311 文献标识码：A 　　 　　随着互联网技术的发展和计算机处理能力的不断提升，处理海量数据成了目前计算机的主要任务之一。如何把海量数据很好地进行归类以发现知识也成了很多学科领域的研究重点。 聚类就是按照事物的某些属性将事物聚成类，使类间的相似性尽量小，类内的相似性尽量大。在这个过程中，事先并不清楚每个数据的类别，是一种无监督的分类过程。其目的是要获得一个划分，这些划分将一组数据集合分成几个子集，每个子集为一类，划分的标准是同类的数据在某种意义下相似性较高，不同类的数据在相同意义下相似性较低。 而现实世界中数据的归类有时并没有如此严格的界限，数据在性态和类属方面存在着过渡态，单一的类别并不能全面反映数据属性，需要做一种软划分以表达数据的类别性质。Zadeh提出的模糊集理论为解决这一问题提供了有力的分析工具，用模糊理论的思想来处理聚类问题，可以建立起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。模糊聚类方法就是在此基础上发展起来的。这种类型的聚类方法，是从模糊集的观点来探讨事物的数量分类的一类方法 　　1 模糊集定义 　　模糊集理论最早是1965年美国计算机和控制论专家Zadeh提出的。他提出了用隶属程度来描述事物差异的中间过度，是一种用精确的数学语言对模糊性进行描述的方法。这种隶属程度，称谓隶属函数。 定义：论域U上的模糊集合A通过一个隶属函数刻画 　　μA (x)：U→[0，1]，x∈U 　　记住A＝｛（x，μA (x)）|x∈U｝ 　　对任意x∈U，都指定一个数μA (x) ∈[0，1]与之对应，称为x对A的隶属度，μA(x)称为A的隶属函数。 若μA (x)=0，则x完全不属于A;若μA (x)=1，则x完全属于A;若0　　 隶属函数是模糊集理论的基本概念，它以0~1区间的一个实数反映一个元素隶属于集合的程度来描述模糊现象。常用的隶属函数有三角形隶属函数，S隶属函数，正态隶属函数，梯形隶属函数等。而隶属函数的正确选择在模糊集的研究与应用中起着十分关键的作用。当然，也可以个人偏好主观设定隶属函数。 2 模糊聚类算法描述 　　类的类别界限是分明的。然而，客观事物之间的界限往往是不分明的，这就提出了模糊划分的概念。模糊聚类是采用模糊数学方法，依据客观事物间的特征、亲疏程度和相似性，通过建立模糊相似关系对客观事物进行分类的一门多元技术。 设X=(x1，x2，…，xn)为被分类对象全体，每一对象xi由一组数据(xi1，xi2，…，xim)表征，建立X上的模糊关系(模糊相似矩阵)R=(rij)n×m，这里表示xi与xj的相似度。其模糊关系的确定方法具体有距离法，如切比雪夫距离、海明距离、欧氏距离，以及相似系数法、贴近度法等。 基于模糊划分概念的模糊聚类方法主要有传递闭包法、最大树法，模糊C2均值方法等。模糊聚类反映了对象属于不同类别的不确定程度，可以更客观地反映现实世界。目前，模糊聚类分析已经广泛地应用于经济学，生物学，气象学，信息科学，工程技术科学等许多领域。 2.1 传递闭包法 　　传递闭包法聚类首先需要通过标定的模糊相似矩阵R，然后求出包含矩阵R的最小模糊传递矩阵，即R的传递闭包t(R)，最后依据t(R)进行聚类。 （1）根据建立的相似矩阵求其传递闭包，即利用平方法，依次计算R→R2→R4→。...。 →R2k→...，直至首次出现R2k=R2k+1，此时的R2k=t(R)为模糊等价矩阵。 模糊相似关系的建立关于各分类对象之间相似性统计量rij的计算，除了采用夹角余弦公式和相似系数法等方法确定相似系数，建立模糊相似矩阵，还可以采用如下几个计算公式。 ①数积法： 　　（2）再按模糊等价矩阵t(R)里的元素数值从1到0，依次截得等价关系进行分类就能得到一个聚类图整个计算量为n3~n3log2n。 2.2 最大树法 　　最大树法根据模糊相似矩阵画出最大树再进行聚类，可按如下步骤进行。 第一步：建立分类对象集上的模糊相似关系，构造模糊图。这一步骤的工作可按如下作法进行： 　　(1)计算各个分类对象之间的相似性统计量rij(i，j=1，2，…，m)， 　　建立分类对象U上的模糊相似关系R(rij)n×m 　　（2）将R表示成一个有m个结点所构成的模糊图G 　　第二步：构造最大模糊支撑树。构造模糊图G上的最大支撑树的算法，可按下述作法进行： 　　(1)找出G中最大权值的边rij；