《模糊聚类理论发展及研究》-毕业论文设计（学术）.docVIP

lw 模糊聚类理论发展及研究 摘要　从模糊聚类准则函数的演化、算法实现的途径、有效性度量方式以及在模式识别与图像处理中的应用等4个方面对模糊聚类理论的研究进展做了综述和评价，指出模糊聚类进一步研究的几个重要方向及其应用前景.　关键词　聚类分析　模糊聚类　聚类有效性　模式识别　图像处理 　　聚类就是按照事物间的相似性进行区分和分类的过程，在这一过程中没有教师指 导，因此是一种无监督的分类.　聚类分析则是用数学方法研究和处理所给定对象的分类.　“人以群分，物以类聚”，聚类是一个古老的问题，它伴随着人类社会 的产生和发展而不断深化，人类要认识世界就必须区别不同的事物并认识事物间的相似性［1］.　传统的聚类分析是一种硬划分，它把每个待辨识的对象严格地划分到某个类中，具有非此即彼的性质，因此这种分类的类别界限是分明的.　而实际上大多数对象并没有严格的属性，它们在性态和类属方面存在着中介性，适合进行软划分.　Zadeh［2］提 出的模糊集理论为这种软划分提供了有力的分析工具，人们开始用模糊的方法来处理聚类问题，并称之为模糊聚类分析.　由于模糊聚类得到了样本属于各个类别的 不确定性程度，表达了样本类属的中介性，即建立起了样本对于类别的不确定性的描述，能更客观地反映现实世界，从而成为聚类分析研究的主流.模糊划分的概念最早由Ruspini［3］提出，利用这一概念人们提出了多种聚类方法，比较典型的有：基于相似性关系和模糊关系的方法(包括聚合法和分裂法)［4］，基于模糊等价关系的传递闭包方法［5］、基于模糊图论最大树方法［6］， 以及基于数据集的凸分解、动态规划和难以辨识关系等方法.　然而由于上述方法不适用于大数据量情况，难以满足实时性要求高的场合，因此其实际的应用不够广 泛，故在该方面的研究也就逐步减少了.　实际中受到普遍欢迎的是基于目标函数的方法，该方法设计简单、解决问题的范围广，最终还可以转化为优化问题而借助 经典数学的非线性规划理论求解，并易于计算机实现.　因此，随着计算机的应用和发展，该类方法成为聚类研究的热点.　以下将从目标函数的演化、算法的实现途径、有效性度量方式以及在实际中的应用等4个方面综述基于目标函数的模糊聚类方法的研究进展.　有关传统聚类分析以及其他的模糊聚类方法的系统总结可参见文献［1，7～10］.　 1　模糊聚类目标函数的演化模糊聚类问题可以用数学语言描述为：把一组给定的模式O={o1,o2,…，on}划分为c个模糊子集(聚类)S1,S2,…,Sc.　如果用μik(1≤i≤c, 1≤k≤n)表示模式ok隶属于模糊子集Si的程度，那么就得到了这组模式的模糊c-划分U={μik|1≤i≤c, 1≤k≤n}.　完成这样一组无类别标记模式集模糊划分的操作就是模糊聚类分析.为了获得有意义的分类，需要定义划分的准则，如相似性或相异性准则D(.)等.　假定每个模糊子集Si(1≤i≤c)都有一个典型模式pi，常被称做聚类原型，这样任一模式ok与模糊子集Si的相似性可以通过模式ok与聚类原型pi间的失真度dik=D(ok,pi)来度量.　基于目标函数的模糊聚类主要是利用模式集O的观测值X={x1,x2,…,xn}Rs与原型特征值B={βi, 1≤i≤c}之间的距离构造一个目标函数，然后通过优化这一带约束的非线性规划问题获得最佳的模糊c-划分： 　　　　　　(1) 其中，ζ为惩罚项，f(μik)∈C为约束条件，m为加权指数.　这样，模糊聚类的目标函数就由参量集{U,D(.),B,m,X}而确定.　对应于这些参量，模糊聚类目标函数的发展演化可以从以下5个大的方面来概括.　1.1　对模糊划分矩阵U的研究传统的聚拎分析为一种硬划分，μi(xk)∈{0,1}为样本xk类属的指示函 数，而类别标记矢量μ(xk)=(μ1k,μ2k,…,μck)T则成为欧氏c-空间的基矢量.　为了表达模式间的相近信息，Ruspini［3］引入了模糊划分的概念，令μi(xk)∈［0,1］，把标记矢量μ(xk)扩展为欧氏c-空间中的超平面，这样标记矢量既可称做模糊标记又可称为概率标记.　由于存在概率约束，使得隶属函数只能表示模式在模糊类间的分享程度，而不能反映典型性，为此Krishnapuram等人［11］提出可能性c-划分的概念，放松了概率约束，从而使标记矢量μ(xk) 变为除去原点的单位超立方体.　由此而产生的可能性聚类算法具有良好的抗噪性能，但收敛速度慢，容易陷入局部极值点而得不到最优分类.　为了结合传统硬聚 类的收敛速度和模糊聚类的对初始化不敏感(获得全局最优解的概率大)而且能反映样本间相近信息等优点，Selim和Ismail［12］提出了半模糊划分的概念，只保留划分矩阵中较模糊的元素，其余的元素作去模糊处理.　这样使划分矩阵U既具有一定的明晰性