模糊聚类算法分析及程序实现_Image_Marked.pdf

模糊聚类算法分析及程序实现 山东工业职业学院 彭丽英 董佳佳 摘要：本文详细介绍了模糊聚类算法的产生过程以及应用模糊聚类算法进行模糊分析的 ASP 代码，最后 通过一个具体的实例，对模糊聚类算法进行了验证。 关键词：普通聚类 模糊聚类 最大最小法 代码 由于客观事物之间的界限往往是不清晰的，用模糊数学的聚类分析处理具有模糊性事物 的聚类问题是十分合适的。所以，近几年，模糊聚类分析在模式识别、数据挖掘、计算机视 觉以及模糊控制等领域的应用越来越广泛，所以它成为研究的热点。但在一般的资料中对聚 类算法的介绍都比较粗略，更缺少代码，本文除了对算法进行了详细介绍外，还提供了相关 代码。 在模糊聚类分析中，首先要计算模糊相似矩阵，即建立样本间的模糊关系，而模糊聚类 是在普通聚类的基础上产生的。 1、普通聚类[1] 设被分类对象的集合为 X ＝{x ,x ,⋯,x }，其中每一个元素x ，i =1,2,...n，都有m 个特性 1 2 n i 指标，即 x ＝{x ,x ,⋯,x } i1 i2 im 如果要把 X 分成 C 类，则它的每一个分类结果都对应一个 c×n 阶 0-1 矩阵 R={rij },其 ⎧1 x i ∈j 中rij ⎨ 0 x i ∉j ⎩ 矩阵 R 具有如下性质： (1)R={0,1}，即R 是一个布尔矩阵； c (2) ∑rij =1 ，即每一列有且仅有一个元素为 1，这一性质保证了每一个样本只能划归 i 1 到其中的一类中去； n (3) ∑rij 0 ，即每一行的元素之和大于 0，这保证了每一类不空，且一类中可以有 j 1 多个样本。 2 、模糊聚类 在普通聚类的基础上，人们提出了模糊聚类(软聚类) 的概念，认为被分类对象集合 X 中的样本xi ，i=1,2,…,n 以一定的隶属度隶属于某一类，也就是说，所有的样本都分别以不 同的隶属度隶属于某一类。因此，每一类就认为是样本集合 X 上的一个模糊子集，于是每 一种这样的分类结果所对应的分类矩阵，就是一个模糊矩阵 R 。 该分类矩阵满足下列三个条件：[1] (1) xij ∈[0,1] ，即分类矩阵元素在 0 和 1 之间取值； c (2) ∑rij =1 ，即每一列中分别属于各类的隶属度之和为 1，对一个样本而言，它对各 i 1 类的隶属度之和为 1； n (3) ∑rij 0 ，即每一行的元素之和大于 0，这保证了每一类都必须有样本，即总有 j 1 一些样本不同程度的隶属于各类。 3、数据规格化 聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先也不知道，通过分 析数据库中的记录数据，根据一定的分类规则，合理地划分记录集合，确定每个记录所在类 别。它所采用的分类规则是由聚类分析工具决定的。采用不同的聚类方法，对于相同的记录 集合可能有不同的划分结果。由于在一般情况下，所分不同类事物之间的界限不是分明的， 用传统的分类方法具有一定的局限性，而用模糊聚类方法确定分类样品的亲疏关系，从而得 到更为合理的分类。由于特性指标的量纲和数量级都不相同，致使对各特性指标的分类缺乏 一个统一尺度，为消除影响，需要对个各指标值实行数据规格化，从而使每一指标值统一于 某种共同的数值特性范围。[2] 应用相似系数法、距离法、最大最小法标定被分类对象的模糊相似关系矩阵。相似关 系矩阵反映了样本与样本之间的相似关系。假设应用最大最小法：[3] m ∑(xik ∧xjk ) k 1 rij= m ∑(xik ∨xjk