基于MATLABFCM聚类算法研究.docVIP

基于MATLABFCM聚类算法研究 　　[摘 要] 本文介绍了FCM聚类算法是一种柔性的模糊划分,通过对比常用的其他模糊聚类算法,对FCM聚类算法进行了改进,并基于MATLAB对实验数据库进行了详细分析。结果显示,如要提高聚类的准确率,需先完成初始中心确定的两阶段FCM聚类算法,避免初值的主观随意性,从而可以提高模糊聚类的效率和准确性。 　　[关键词] MATLAB FCM聚类算法 模糊集合 　　 　　1 引言 　　FCM算法是一种基于划分的聚类算法,它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进,普通C均值算法对于数据的划分是硬性的,而FCM则是一种柔性的模糊划分。FCM算法需要两个参数一个是聚类数目C,另一个是参数m。一般来讲C要远远小于聚类样本的总个数,同时要保证C1。对于m,它是一个控制算法的柔性的参数,如果m过大,则聚类效果会很次,而如果m过小则算法会接近HCM聚类算法。算法的输出是C个聚类中心点向量和C*N的一个模糊划分矩阵,这个矩阵表示的是每个样本点属于每个类的隶属度。根据这个划分矩阵按照模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类。聚类中心表示的是每个类的平均特征,可以认为是这个类的代表点,FCM算法对于满足正态分布的数据聚类效果会很好。 　　2 常用的其他模糊聚类算法 　　目前比较常用的模糊聚类算法有:基于模糊等价关系的传递闭包方法;基于模糊图论的最大树方法。设聚类样本空间为X=(x1,x2,…,xn),对应的模糊相似矩阵为R=(rij)。其中,rij∈[0,1],rij表示对象xi和xj的相似度,相似度的计算可采用相似系数法、距离法以及主观评分法等,本文中选择欧氏距离法。 　　2.1 传递闭包法 　　根据模糊数学理论,模糊等价矩阵能进行等价的分类,而模糊相似矩阵仅仅满足自反性和对称性,并不满足传递性,因此采用求R的传递闭包t(R)形成模糊等价矩阵是最自然的想法。当生成传递闭包后,取某一实数l∈[0,1],生成l-截集矩阵,便可得到不同的分类,从而形成一种动态聚类图。 　　传递闭包是包含R的最小传递矩阵,通常采用逐步平方法求R的传递闭包,即R→R2→R4→Rg→…→R2k经有限次运算后,一定有R2k=R2k+1,于是t(R)=R2k。 　　算法分析:采用传递闭包法进行分类,虽然从原理上看很自然,但在面向全体教师的教学评价中,其对应的模糊相似矩阵阶数较高,计算量很大,因此应用受到一定的限制。可根据传递闭包自反性、对称性特点,其对对角线元素永远为1,且可只计算上三角或下三角,这样可以适度减少计算量。 　　2.2最大树法 　　传递闭包法是基于等价矩阵进行分类的,而最大树法是直接使用相似矩阵进行分类的,其基本思想是:以被分类元素为顶点,以模糊相似矩阵R中的元素为权重的一棵最大的生成树。最大树模糊聚类算法的主要步骤为: 　　①提取待聚类对象的特征,建立模糊相似关系,得出模糊相似矩阵; 　　②根据模糊相似矩阵,按Prim方法或Cruuskal求出最大树; 　　③确定相应的阈值l,将最大树中权重小于该阈值的边去掉,使其成为一个不连通的图,该图对应有若干个连通分枝,各连通分枝中的结点即聚为一类。 　　算法分析:事实上,如果将最大树中连接两个结点i和结点j所在边的权作为rij构造矩阵,则该矩阵其实就是R的一个传递闭包。因此最大树法聚类本质上与传递闭包法的聚类是一样的,且在解决低维的小样本集分类时也的确是一种行之有效的方法,并且最大树法更为直观。但是,也存在着这样的情况:彼此差异很大的模糊相似矩阵有可能生成相同的传递闭包,而用相同的模糊等价传递闭包来进行分类,就可能出现不合理现象,这就是这一类模糊聚类算法的缺陷。 　　3 FCM聚类算法研究 　　由Bezdek提出的模糊C均值聚类(FCM),属于一种目标函数法,是模糊聚类算法中最著名、运用最广的算法。假设要将样本空间X分为k个簇,簇中心集合为C=(c1,c2,…,ck),使(1)式所示的目标函数Jm最小(该目标函数是基于类内距离和的),且满足(2)式的约束条件。 　　其中,Dij是Xi到第j类中心Cj的欧氏距离||Xi-Cj||。 　　FCM算法的步骤如下: 　　①设定初始参数:m,k,迭代次数s,算法终止误差ε; 　　②设置初值:初始聚类中心C0(c1,c2,…,ck),t=0; 　　③计算隶属度矩阵:根据(3)式计算Us; 　　④计算(4)式计算下一次的簇中心Cs+1; 　　⑤若||Us+1-Us||ε,算法结束, 　　否则s=s+1,返回③直至迭代结束。 　　4 基于MATLAB的实验分析 　　以我校教学整体设计为实验数据库,从中抽取50