种的判别分析方法——模糊典型判别分析.docVIP

一种新的判别分析方法 ——模糊典型判别分析 内容提要：本文在Fisher典型判别分析基础上，把模糊理论引入判别分析方法，提出了模糊典型判别分析，可以用来处理自然科学和社会科学中很多模糊现象的判别分析.推导了模糊典型判别分析的参数求解，并提出了计算机可执行的算法.最后通过数值案例分析和其他判别方法比较，进一步证明了该方法具有很好的判别效果. 关键词：模糊理论；判别分析；算法 中图分类号：O212 文献标识码：A A New Discriminant Analysis —Fuzzy Canonical Discriminant Analysis Abstract: This paper propose Fuzzy Canonical Discriminant Analysis based on Fisher Canonical Discriminant Analysis,we bring the fuzzy theory into discriminant analysis and apply it to deal with many vagueness in natural scinece and social science.We also infer the parameters estimation of the Fuzzy Canonical Discriminant Analysis and design the computer feasible Algorithm.At last,we further prove the good performance of this method by numeric analysis. Key words: Fuzzy Theory; Discriminant Analysis;Algorithm 一、 引言 判别分析是利用已知分类变量的样本数据构建判别函数，并对未知类型的对象进行预测的一种分类方法.设有个样本，对每个样本测得项指标（变量）的数据，已知每个样本属于个类别（或总体）中的某一类.我们希望利用这些数据，找出一种判别函数，使得这一函数具有某种最优性质，能把属于不同类别的样本点尽可能地区别开来，并对测得同样项指标（变量）数据的一个新样本，能判定这个样本归属于哪一类.判别分析在实际应用中非常广泛，比如财务危机分类预测、信用卡欺诈分类预测、市场营销的客户分类预测、石油勘探的波形分类预测、岩层分类预测等等.判别分析的方法很多，其中最常用最经典的是Fisher典型判别分析法，是由R.A.Fisher于1936年提出来的.虽然Fisher典型判别分析法能解决很多分类问题，但该方法在很多情况下判别精度相对较低，而且尤其是对于那些定义不是很明确，或者说存在模糊现象的判别精度过低，比如人的身高“高”和“矮”的分类；成绩的“好”和“坏”；天气的“冷”和“热”等的判别.实际上，在自然科学或社会科学研究中，存在着许多定义不很严格或者说具有模糊性的概念.模糊性同随机性一样也是一种不精确性，是事物本身所固有的特性.处理分析这些“模糊”概念的数据，很难用传统的数学和统计学去描述. 模糊理论最早是由美国加州大学伯克利分校电气工程系的L.A.zadeh教授在1965年提出的，开始用数学的观点来刻划模糊现象.自从模糊理论的提出，极大扩展了传统的明确数学（crisp mathematics），可以用来描述模糊分类的不确定性.在明确数学里，一个对象对应于一个集合，要么属于，要么不属于，二者必居其一，且仅居其一，也就是一个对象的隶属度取值要么是1，要么是0，这样的集合论本身并无法处理具体的模糊概念.但是在模糊理论，摆脱了这种“非此即彼”的精确性，隶属度的取值是在[0,1]之间取任意值，反应了事物之间由于差异的中间过渡性所引起的划分上的不确定，而使得概念外延的不分明性，也就是“亦此亦彼”. 因此本文尝试在Fisher典型判别分析方法中引入模糊理论概念，提出了模糊典型判别分析方法，用来解决一些模糊现象的分类问题.用隶属度来度量第个观测值和第组的相似程度.在传统的判别分析里，的取值只能是0或1，但本文提出的模糊典型判别分析理论，可以取[0,1]的任一实数.比如等于0表示第个观测值完全不属于第组，假如等于1，表示第个观测值完全属于第组，假如等于0.5，表示第个观测值与第组的相似度为0.5.实际上，可以把传统的典型判别分析看做是模糊典型判别分析的特例.这样就可以处理很多模糊现象的分类问题. 本文接下来的结构安排如下：第二部分提出了模糊典型判别分析的基本理论框架；第三部分以分三类为例求解了模糊典型判别分析方法的参数，并设计了计算机可执行的算法；第四部分是数值案例分析，比较分析了Fisher典型判