模糊数学--大连海事大学--于东老师-模糊聚类分析.pptVIP

模糊聚类分析 2011年4月 模糊关系与聚类分析 分类与聚类分析 系统聚类法与逐步聚类法 模糊关系的定义性质 模糊矩阵及截矩阵 几种特殊的模糊关系 模糊关系的合成 模糊等价关系 聚类分析及应用 4.1 分类与聚类分析 研究的对象?样本 样本按它们的性质、用途等分成许多相似的部分?分类 经典集合论，是以某种属性对事物加以分类 对事物按一定要求和规律进行分类的数学方法?聚类分析 聚类分析是数理统计中研究“物以类聚”的一种多元统计方法， 它通过数学工具定量地确定、划分样品的亲疏关系，客观合理地分型划类。 4.1 分类与聚类分析 客观事物之间的界限往往不清晰，多具有模糊性 如：天气阴与晴转多云之间就没有绝对的界限 传统的基于数理统计原理的聚类分析方法遇到困难 利用模糊数学手段描述和处理分类中的模糊性?模糊聚类分析方法 聚类分析还可以用来进行分析和预测 如：天气预报中，将历史上的天气形势作为样本先进行分类，对于将来预报的天气用聚类方法判别它属于历史上的哪一类天气，从而有助于更好地做出预报。 4.1 分类与聚类分析 聚类分析的分类实际上就是实现数据集X的一个满足要求的划分，它与X上的一个等价关系相联系，现实的分类问题大多伴随着模糊性，因此可采用模糊等价关系来实现数据分类，一般来说可概括为2个步骤 1标定：即在待分类的数据之间建立一定的亲疏关系 2分类：若建立的亲疏关系是一个模糊等价关系，则根据要求适当选择水平从而得到一个确定的分类。 4.2 系统聚类法与逐步聚类法 1 系统聚类法 设n个待分类的样本：x1, x2, …, xn 每个样本有s种特性，将这种特性数量化并用数字来描述： y1, y2, …, ys ?样本的s个指标 用xij表示第i个样本的第j个指标 样本xi可以由行矩阵描述，记为 xi =(xi1, xi2,…, xis) 为刻画样本之间的接近程度，引入广义的距离和 相似系数两个概念 1 广义欧氏距离 设给定样本xi =(xi1, xi2,…, xis) 和xj =(xj1, xj2,…, xjs)， 定义它们之间的欧氏距离为 用欧氏距离可以综合反映出两个样本之间的每个指标 之间差异的大小。 2 广义夹角余弦 设样本xi与xj的广义夹角?的范围为0≤?≤180?，定义?的广义夹角余弦为 例1 给定五个样本x1, x2,…, x5 ，它们均只有一项指标 设它们的指标分别为1，2，4.5，6和8。试用系统聚类 法将它们分类。 解 (1)计算各样本之间的距离，由题意可得 (x1, x2, x3, x4, x5 )=(1,2,4.5,6,8)，于是可求得 ||x1－x2||=1 ||x2－x3||=2.5 ||x1－x3||=3.5 ||x2－x4||=4 ||x1－x4||=5 ||x2－x5||=6 ||x1－x5||=7 ||x3－x4||=1.5 ||x3－x5||=3.5 ||x4－x5||=2 将距离最近的两样本归为一类，显然||x1－x2||最小，故将x1、x2归为一类，记为G1。 (2)把G1看做新样本，并取样本x1与x2 的指标平均值 1.5看成样本G1的指标。 (3)计算G1 , x3, x4, x5之间的距离，求得结果是x3与 x4之间的距离1.5为最小。将x3与x4 归为一类，并记为G2。 (4)把G2看做新样本，求G2中样本x3与x4 的指标平均 值5.25，作为样本G2的指标。 (5)再计算样本G1,G2, x5之间的距离，求得结果以G2 与x5间距离2.5为最小。将样本G2与x5归为一类并记 为G3。 (6)将G1与G3归为一类记为G5，至此分类结束。 2 逐步聚类法?动态聚类法 系统聚类法的优点：一次形成分类， 缺点：样本多时计算量大。 逐步聚类法： 将样本进行粗分类， 按某种最优原则逐步反复修改，直至得到最终合理 分类结果，故又称动态聚类法。 步骤： （1）选择某一样本的核心，作为“聚类中心”。 它可能并不是任何一个样本，但它的指标却代表该类 的特征。聚类中心可以视为假想的某一类标准理想样 本。 初始聚类中心选择方法