第五讲模糊关系与聚类分析.pptVIP

* * (1)、设定划分数c(2 ?c?n) ，并取初始矩阵 进行迭代； (2)、对第l次迭代结果 ，按下式求聚类中心； (3)、修正 ，得到 ( 的各元素按下式计算)； * * (4)、比较U(l)与U(l+1),若||U(l+1)?U(l)||??成立，则结束迭代，输出U(l+1)。否则, l=l+1，并转2继续迭代。 由以上算法得到的U和V是相对分类数c、初值U(0), Rm中的范数及矩阵范数||U(l+1)?U(l)||、迭代误差限?和参数r的局部最优解。 5、模糊划分的清晰化 由以上模糊ISODATA算法所得到的是一个模糊划分矩阵，对应着的模糊划分。采用下列两种方法，可使此模糊划分清晰化。 * * 方法一：取 即将xk归入第i0类，其中Vi0 是第i0类的聚类中心。上式实际上是按择近原则，将xk归入离自己最近的聚类中心所在的那一类。 方法二：在U的第k列中，若 则即将xk归入第i0类。上式实际上是按极大隶属度原则，将xk归入其隶属度最大的那一类。 * * 模糊聚类有效性评价 1、划分系数 划分系数为所有输入样本相对于聚类中心的接近程度。 * * 模糊聚类有效性评价 2、划分熵 若所有的uik接近0或1，则熵就小，所给出的聚类结果就好。若uik接近0.5，则聚类块的模糊程度高，从而熵就大，相应的聚类结果就差。 * * 模糊聚类有效性评价 3、紧致与分离性效果函数 S(U,c)是输入样本与它们相应聚类中心间距的平均值与聚类中心最小间距的比值。一个好的聚类应当使聚类中心的间距尽可能大，而样本与其聚类中心间距尽可能小。 * * 于是该地区分为11类，即(4，6，7，11，15)为一类，其余每一眼井各自为一类。 * * 当 时，将该地区分为7类，即(2，4，6，7，9，11，13，14，15)为一类， 1，3，5，8，10，12每一眼井各自为一类。 * * 当 时，将该地区分为4类，即(1，2，4，5，6，7，9，11，12，13，14，15)为一类， 3，8，10各自为一类。 * * 当 时，将该地区分为3类，即(1，2，4，5，6，7，9，11，12，13，14，15)为一类， (3，8)为一类，10单独为一类。 * * 当 时，将该地区分为2类，即(1，2，4，5，6，7，9，11，12，13，14，15)为一类， (3，8，10)为一类。 * * 当 时，将该地区全部归为一类。 * * 6、画谱系图 根据以上动态聚类过程，可画出谱系图如下(15类、11类、7类、4类、3类、2类、1类) * * 分别取 ，则可将15眼井聚为3类：(3，8，10)；(1，2，5，9， 12，13，14)；(4，6，7，11，15)。根据原始数据知，3、8、10这几眼井附近为严重污染；4、6、7、11、15这几眼井附近尚未污染；其余地方为中度污染。 * * 基于传递闭包法的模糊聚类分析，需要计算模糊相似矩阵R的传递闭包。当样本个数n较大时，计算传递闭包的工作量非常大。为了减轻模糊聚类的工作量，早在1980年，吴望名教授就把模糊图论的内容介绍到了国内，并提出了基于图论方法的模糊聚类方法——最大树法。利用最大树法聚类的基本步骤，前三步与传递闭包法相同，即原始数据准备、原始数据标准化、构造相似矩阵。有了模糊相似矩阵后，就是画出最大树，并根据此最大树进行聚类。有多种方法可画出最大树，此处仅介绍较简单的Kruskal法。用Kruskal法画最大树，就是先在相似矩阵R中找出最大元r6,4= r15,4= r15,6=0.93，并画出图1。再找出次大元r11,7=0.90，并画出图2。如此反复找下去，直到画出全部的点，且没有回路，如图3。 模糊聚类的图论法? * * 图1 图2 图3 * * 图3就是例中相似矩阵R的最大树。由图3知，最大树是一个不连通的赋权图。砍去图中权重小于 的边，留下权重大于或等于 的边，并将各连通的边内的元素归为一类。例如，砍去图3中权重小于0.4的边，则图3所示的最大树分为互不相连的两棵树，如图4所示。 图4 * * 这两棵树