智能检测理论与技术5.pptVIP

5.3 聚类分析法 第五章 基于模式识别的智能检测 聚类准则函数 上述数据聚类准则函数中，误差平方和准则适用于各类样本在模式空间或特征空间中的分布较为集中，而且各类样本数目比较接近的情况。 当样本数目相差较为悬殊时，应采用加权平均平方距离和准则。 还有多种其他方法来评价聚类效果，可根据具体问题的需要灵活定义聚类准则函数。 5.3 聚类分析法 第五章 基于模式识别的智能检测 聚类算法 简单聚类方法 算法运行中模式的类别及类的中心一旦确定将不会改变（根据相似性阈值和最小距离原则) 层次聚类法 算法运行中，两类合并为一类，不断重复进行，也称为谱系聚类法。 （按最小距离原则不断进行两类合并） 动态聚类法 算法运行中，类心不断地修正，各模式的类别的指定也不断地更改。这类方法有—基于试探的聚类算法、K均值法、ISODATA法等。 （依据准则函数） 5.3 聚类分析法 第五章 基于模式识别的智能检测 简单聚类算法 简单聚类图例 初始条件不同的简单聚类结果 初始中心不同 样本顺序不同 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 10 9 8 10 9 8 8 7 6 8 7 6 11 6 7 11 6 7 9 10 11 9 10 11 5.3 聚类分析法 第五章 基于模式识别的智能检测 动态聚类算法 聚类分析是一个反复寻优的迭代过程，对每一种可能的分类结果进行试探，看相应分类状态下聚类准则函数是否达到极值，聚类分析往往是个试探的过程。 采用最近邻规则的聚类算法 最大最小聚类算法 K-均值法 ISODATA算法 5.3 聚类分析法 第五章 基于模式识别的智能检测 采用最近邻规则的聚类算法：初始样本 选择距离阈值T，任取一个样本作为第一个聚合中心Z1， 如 计算样本x2到Z1的距离D21，若D21 ≤T，则令x2 ∈ Z1 ，否则令D2={x2}为第二个聚合中心；计算x3到Z1和Z2的距离D31和D32，若D31≥T 和D32≥T,则令D3={x3}为第三个聚合中心，否则令 ，将x3加到Zk中；依次类推，把所有样本分到各自的类中。 按照某种聚类准则函数评价聚类效果，若不满足要求，则重新选择阈值和初始聚类中心，并执行上述过程，直到满足要求为止。 5.3 聚类分析法 第五章 基于模式识别的智能检测 最大最小聚类算法：初始样本 给定一个常数θ，0 θ1，任取一个样本作为第一个聚合中心Z1。 寻找新的聚合中心：计算其他所有样本到Z1的距离Di1,若Dk1=maxDi1，则取xk作为第二个聚合中心Z2，然后计算所有其他样本到Z1和Z2的距离Di1和Di2，即 若Dl θD12(D12为Z1和Z2间的距离），则取xl作为第三个聚合中心Z3。 5.3 聚类分析法 第五章 基于模式识别的智能检测 最大最小聚类算法：初始样本 如果Z3存在，则计算 若有Dj θD12，则取xj作为第四个聚合中心Z4；依次类推，直到最大最小距离不大于θD12，结束寻找聚合中心的计算。 按照最近邻原则把所有样本归属于距离最近的类型。 按照某种聚类准则评价聚类结果，若不满足要求，则重新选择θ和第一个聚合中心，重新执行上述过程。 5.3 聚类分析法 第五章 基于模式识别的智能检测 算法优点 上述算法突出优点是简单，但这些算法对初始聚合中心和阈值的选取具有很大的依赖性，如果具有样本分布的先验知识来指导正确选择初始聚合中心和阈值，它们将很快的收敛到理想的聚类效果。 其他聚类算法 应用简单的聚类算法的思想，采用不同的聚类准则函数，可派生出多种聚类算法如K-均值法，ISODATA算法等，还可将模糊数学应用于聚类分析，派生出模糊K-均值等聚类算法。 5.3 聚类分析法 第五章 基于模式识别的智能检测 K-均值法 类的数目K是 事先取定的。 T G N ) 33 . 5 , 67 . 5 ( ) ... ( 18 1 1 20 5 4 2 ) 1 ( 2 2 = + + + + = = ? ? (0,0.5) (1.25,1.13) (7.67,7.33) 5.3 聚类分析法 第五章 基于模式识别的智能检测 ISODATA法Iterative Self-Organizing Data Analysis Techniques Algorithm 迭代自组织数据分析 特点：启发性推理、分析监督、控