ML-2 计算智能2-模糊与灰色理论.ppt

1 模糊数学基础 2 模糊模式识别 3 模糊聚类 4 模糊神经网络 5 灰色系统的概念 2 模糊模式识别 常见的两类模糊模式识别问题及其对应识别方法 第一类问题：已知论域 上的 个标准模型 及 中一确定元 ，问 属于哪个标准模型? 识别方法：最大隶属原则 例：把细胞分为四类：正常、轻度核异变、重度核异变、癌细胞。由于这四类皆无明确外延，故可用X={细胞}上的F集 分别表示。 问“给定某个细胞 属于哪一类？” (1) 最大隶属原则 设 。 若 则判决 相对地属于 。此即为最大隶属原则。 当 时，按最大隶属原则判决有时不太合理，可用下面原则。 阈值原则： 设 。 取定 ，若 则作“拒识”判决。应查找原因另作分析。 若 则判决 其中， 实应用中，常把最大隶属原则与阈值原则联合起来使用。即： 若 ，则拒识。 若 ，则按最大隶属 原则判决。 例：三角形识别 设论域 规定等腰三角形P具有隶属函数 等边三角形Q具有隶属函数 直角三角形R具有隶属函数 于是一般三角形 ,它具有隶属函数 对给定三角形 有 若按最大隶属原则，则 相应地属于直角三角形 若取置信水平 ，则按阈值原则应判 相对地属于等腰直角三角形。 第二类问题：已知论域 上的 类标准模型 及 中一确定的F集 ，问 应归于哪类标准模型？ 识别方法：贴近度与择近原则 (2) 贴近度与择近原则 贴近度的一般定义： 映射 叫做 上的一个贴近度,如果它满足以下三个条件： 对任何 有 ； 对任何 有 ； 若 则 称 为 与 的贴近度。 常用贴近度如下： Hamming贴近度 当 时， 当 时， Euclid贴近度 当 时， 当 时， 最大最小贴近度 当 时， 当 时， 算术平均最小贴近度 当 时， 当 时， 择近原则 设 若 则判决 相对地归于 . 例：取 问 应归于 还是应归于 . 用Hamming贴近度 故按Hamming贴近度 应归于 . 用Euclid贴近度 故按Euclid贴近度 也应归于 . 3 模糊聚类 （1）何为聚类分析 聚类分析就是按照一定的规律和要求对事物进行区分和分类的过程，在这一过程中没有任何关于类分的先验知识，没有教师指导，仅靠事物间的相似性作为类属划分的准则。 聚类属于无监督机器学习的范畴。 聚类分析的目的是揭示和刻画数据的内在结构，其内容涉及统计学、生物学、以及机器学习等研究领域，并在模式识别、数据分析和挖掘、图像处理等领域获得了广泛的应用。 待聚类分析的样本集 描述样本的特征向量 （2） 聚类分析的数学描述 聚类结果的数学描述 最著名与最常用的划分聚类方法是C-均值及其推广模糊C-均值（Fuzzy C-Means，简称为FCM）算法。 其原理是： 首先定义一个准则函数，并随机选择C 个初始聚类中心； 然后根据样本与聚类中心的距离，将该样本划分到该类中； 再重新计算每个类的聚类中心。 此过程不断重复，直到准则函数最小。 （3） 划分聚类方法 （4） 模糊C均值算法 （3.1） （3.2） 在约束（3.2）下优化（3.1）式得： （3.3） （3.4） 直接计算U 与v存在困难，J. C. Bezdek 利用交替优化算法或形如z=f(z)方程的不动点算法有效地求解了U 与v，即U 、v的交替迭代求解收敛到（3.1）式的局部最小点. 模糊C均值算法具