模糊数学在样本分析中应用.docVIP

模糊数学在样本分析中的应用 周诗虎 武汉职业技术学院计算机糸 430074 摘 要：本文详细介绍了模糊聚类分析在调查样本分析中的应用。并以教师教学水平与能力调查表之统计结果为例，介绍了模糊聚类分折的数学方法。它是以模糊划分为数学工具，对调查结果进行分类，并得到各类的聚类中心，最后用二次分类法，得到对应的硬划分。这样分析方法可广泛地应用到其它类似调查样本分析中。 关键词：模糊数学、模糊聚类分析、聚类中心、软划分、硬划分。 引言 教师教学水平与能力调查表之统计结果，糸来源于学生对教师表现与调查项目进行比较，以及对教师间的横向比较，经过判断而得。该判断过程属于模糊判断类型，且待处理的数据量也相当大。所以能否寻求一较为科学的处理方法，对如实反映学校师资状况影响甚大。作者认为，由于该问题的客观属性，用模糊数学的分析方法，较之用传统的数理统计方法，更接近事物的本质，可望得到较为切合实际的分析结果。 软划分(模糊划分) 设待分类的样本集合为： X=｛x1，x2，x3，······ ，xi······ ，xn｝ 每一个样本xi（i=1，2，3，······ ，n ），有S个指标。于是每个样本xi可写成行矩阵： xi=（xi1，xi2， xi3，······ ，xis） 若要将X 划分为C类，其每一类是一组X上的模糊子集。 A1=｛u11/x1，u12/x2，u13/x3，······ ，u1n/xn｝， A2=｛u21/x1，u22/x2，u23/x3，······ ，u2n/xn｝， ······ Ac=｛uc1/x1，uc2/x2，uc3/x3，······ ，ucn/xn｝ 其中：uij （i=1，2，·3，····· ，c ， j=1，2，3，······ ，n ），表示样本xj从属于第i类的从属度。上述模糊分类可用软划分矩阵U表示。 x1 x2 x3 ······ xn 1 u11 u12 u13 ······ u1n 2 u21 u22 u23 ······ u2n U = 3 u31 u32 u33 ······ u3n ······ c uc1 uc2 uc3 ······ ucn 它是一个c*n阶软划分矩阵，且具有如下特性： 0≤uij≤1 ，（i=1，2，·3，····· ，c ， j=1，2，3，······ ，n ） 这表明每一样本属于各类的从属度之和为1。 这表明每一模糊集不可能是空集。 显然，软划分矩阵有无穷多个，其全体构成软划分空间。要找到最佳分类，就是在软划分空间中找到对应的软划分矩阵。下面给出寻找与最佳分类对应的软划分矩阵，及其聚类中心的算法。 人为地先给出一个初始分划U0，它可以是硬划分也可以是软划分。 由U0和式(1—1)算出聚类中心Vi 。 其中：Vi=(vi1，vi2，vi3，··· ，vis )，i=1，2，··· ，c 。 我们称Vi为第i类的聚类中心，它是一个人为的理想样本。其指标综合地反映了该类指标的特性，因而也可以视为该类的一个模式样本。这正是软划分优于利用模糊等价关糸进行分类之所在。 xk=( xk1，xk2，··· ，xks )，k=1，2，··· ，n 。 它是第k个实际样本。 m＞1 ，它是为了加强xk属于各类的从属度的对比度的一个参数。 由式(1—2)和己算出的Vi ，算出新的软分划矩阵U 。 其中： i=1，2，··· ，c ，j=1，2，··· ，n 。 检查 是否小于给定的一个很小的正数ε，若小于ε，则计算停止，所得的U与Vi即为所求最佳分划的分划矩阵和聚类中心。否则转到2，再根据已得的矩阵U算出新的聚类中心，重复做第三和第四步。 下面我们讨论一下有关上述算法的几个问题。 1．从理论上可以证明，在m＞1 ，Vi≠xk的条件下，经过反复迭代的计算过程，即反修改分类和聚类中心，总可以算出近似最佳的软分划。其计算结果的精度与ε的选取有关。ε取得越小精度越高，但计算量也越大。 2．软划分需事先确定分类数，若分类数不合理，就不可能有合理的分类。因而需重新确定分类数后再计算。所以分类数需根据具体问题合理选取，并结合计算机的运行结果予以修定。 3．当得到最佳软分划