课件：模糊模式识别法.ppt

(3) 类别调整：合并 、分解 、删除。 (4) 最佳类数或最佳结果的讨论。 判定结果好坏的直接依据：隶属度矩阵U。 由于计算机存储量的限制，选取了三个评价分类优劣的判据： ① 最大稳定度 ② 最小相关度 ③ 最大聚类度 (2) 若已选择了K个初始聚类中心，用模糊K-均值算法进行聚类。 由于现在得到的是各聚类中心，所以直接计算下一步的隶 属度矩阵U(1) ，……继续K-均值算法直到收敛，最终得到隶属度矩阵U和K个聚类中心。 结束 两种常用贴近度 ： 2）格贴近度 内积、外积分别定义为 3. 择近原则 7.5 模糊聚类分析法 7.5.1 基于模式糊等价关系的聚类分析法 只有模糊等价关系才能用模糊等价矩阵进行截矩阵分类。 称为：截矩阵分类法 * 对于模糊等价关系： 可以用模糊等价矩阵的截矩阵直接进行模式分类。 * 对模糊相似关系： 必须由相应的模糊相似矩阵生成模糊等价矩阵，然后对 生成的等价矩阵利用截矩阵的办法分类。 包括： 1．模糊等价关系的截矩阵分类法 要求按不同λ水平分类。 动态聚类图： 2．模糊相似关系的截矩阵分类法 必须用模糊相似矩阵生成一个模糊等价矩阵。 直接用模糊相似关系进行分类出现的问题： 例：设有五种矿石，按其颜色、比重等性质得出描述其“相似 程度”的模糊关系矩阵如下： （1）判断是什么矩阵： 矩阵R的自反性、对称性是明显的，计算传递性： 产生矛盾。 给定一个模糊相似矩阵就可以得到一个模糊等价矩阵。 7.5.2 模糊相似关系直接用于分类 对于模糊相似关系，需要改造成为模糊等价关系，才能 利用截矩阵的方法进行正确分类。但多次矩阵相乘，计算麻 烦。为此寻找由模糊相似矩阵直接进行聚类的方法，如最大树法。 最大树法： 例7.25 设二个家庭，每家3-5人，选每个人的一张照片，共8张，混放在一起，将照片两两对照，得出描述其“相似程度” 的模糊关系矩阵。要求按相似程度聚类，希望把二个家庭分开。 解：(1) 按模糊相似矩阵，画出被分类的元素集，构造“最大树”。 当全部连通时，检查一下全部元素是否都已出现，即保证所有元素都 是连通的。最大树即构造好。 0.2 0.4 0.4 0.2 0.2 0.5 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 回路不画 0.2 0.4 0.4 0.2 0.2 0.5 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 回路不画 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 0.2 0.2 0.5 0.8 0.8 0.8 0.8 4 6 2 8 7 5 3 1 注意：最大树不唯一，但取截集后，所得子树相同。 ①任选K个聚类中心； ②按最近邻规则聚类； ③根据聚类结果计算新的聚类中心， 比较新旧聚类中心是否相等； ④新旧中心相等，结束；否则回到②。 模糊K-均值算法基本思想： 首先设定一些类及每个样本对各类的隶属度； 然后通过迭代，不断调整隶属度至收敛。 K-均值算法回顾： 7.5.3 模糊K-均值算法 由聚类分析中动态聚类法中的K-均值算法派生出来。 (1) 确定模式类数K，1KN，N为样本个数。 步骤： 加权平均 例如，3个样本时： ！ 例当有两个聚类中心时，样本j对两个类别隶属度的计算： 类似于相对距离 例： 由U(0)可知，倾向于X1、X2、X3为一类，X4为一类。 得 如对X3有： 类似地，可得到U(1)中其它元素，有 7.5.4 模糊ISODATA算法 ISODATA算法：源于K-均值算法。 模糊ISODATA算法：将模糊方法引入ISODATA算法。 算法步骤： 例如：将全体样本均值作为第一个聚类中心，在所有n个特征 方向上加、减一个均方差。 —— 共(2n+1)个聚类中心 (1) 选择初始聚类中心。 ISODATA算法特点：具有类别调整功能。 合并、分解等操作使聚类过程中类别数可变。 ISODATA算法的核心：类别调整。 7.3.2 模糊关系的表示 如：例7.11中的模糊 关系对应的模糊矩阵 1．用模糊矩阵表示 2．用有向图表示 有向图表示： 7.3.3 模糊关系的建立 计算 第一步：正规化。 极值标准化公式： 计算rij的常用方法： 1）欧式距离法 2）数量积法 M：正数，满足 3）相关系数法 其中， 4）最大最小法 5）主观评定法 以百分