模糊聚类概述教学教材.pptxVIP

模 糊 聚 类模糊聚类所谓聚类分析就是根据事物间的不同特征、亲疏程度和相似性等关系，对他们进行分类的一种数学方法，其数学基础是数理统计中的多元分析。由于在现实世界中，事物间的关系其界限往往是不分明的，即为模糊关系，故利用模糊数学方法来进行聚类分析会显得更自然，更符合客观实际。应用：天气预报、地震预报、灾害预测、环境保护、地质研究、石油与天然气勘探、工程设计、图像分析、经济管理、医学研究等领域。历 史时间事件1965L.A.Zadeh创立模糊集合论1969E.H.Ruspinid引入模糊划分的概念进行模糊聚类分析I.Gitman和M.D.Levine提出了单峰模糊集方法用于处理大数据集和复杂分布的聚类1974J.C.Dunn提出了模糊ISODATA聚类方法1981J.C.Bezdek改善了FCM方法分类与聚类分类(Classification)：根据数据的特征或属性，划分到已有的类别中，是一种监督学习(Supervised Learning)方法，必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。常用的分类算法：决策树分类法基于规则的分类器朴素的贝叶斯分类算法(native Bayesian classifier)神经网络法基于支持向量机(SVM)的分类器分类与聚类聚类(Clustering)：聚类就是按照一定的要求和规律对事物进行区分和分类的过程，在这一过程中没有任何关于分类的先验知识，没有教师指导，仅靠事物间的相似性作为类属划分的准则，因此属于无监督学习(unsupervised learning)。不同的聚类类型：划分聚类（Partitional Clustering）层次聚类（Hierarchical Clustering）互斥聚类（Exclusive Clustering）重叠的（Overlapping）或非互斥的（Non-exclusive）聚类模糊聚类（Fuzzy Clustering）完全聚类（Complete Clustering）部分聚类（Partial Clustering)聚类分析传统的聚类是一种硬划分，它把每个待辨识的对象严格地划分到某个类中，具有非此及彼的性质，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。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。模糊聚类分类常用的模糊聚类方法可分为两大类：基于模糊等价矩阵的模糊聚类分析法：分类数不定，根据不同要求对事物进行动态聚类，主要方法有：模糊传递闭包法、直接聚类法、最大树法；基于目标函数的模糊聚类分析法：分类数给定，寻找出对事物的最佳分类方案，主要方法有模糊IOSDATA聚类分析法(模糊C均值聚类法) 。基于模糊等价关系的动态聚类法模糊等价关系(矩阵)的每一个截矩阵都对应一个普通等价关系。利用上述结论，对论域进行分类。当截集水平λ从1变化到0时，可以得到论域从细到粗的不同的分类，形成一个动态的聚类图。基于模糊等价关系的聚类步骤：建立数据矩阵建立模糊相似矩阵：相似系数法、距离法基于模糊等价关系聚类并画出动态聚类图传递闭包法；直接聚类法。基于模糊等价关系的动态聚类法模糊传递闭包法步骤：求出模糊相似矩阵的传递闭包t(R)：之前建立的模糊矩阵只是一个模糊相似矩阵，不一定具有传递性，即R不一定时模糊等价矩阵，为进行分类，还需将R改造成模糊等价矩阵，通过逐次平方法求传递闭包t(R)；在[0,1]区间上适当选取置信水平值λ，求出t(R)的λ截矩阵t(R)λ ，得到λ水平上的等价分类；画出动态聚类图：将t(R)中所有互不相同的元素按由大到小的顺序编排进行聚类，这一系列聚类画在同一个图上，直观地看到被分类对象之间的相关程度。基于模糊等价关系的动态聚类法模糊传递闭包法流程基于模糊等价关系的动态聚类法直接聚类法 当被分类对象很多时，计算模糊相似矩阵R的传递闭包的工作量是很大的。为减少计算工作量，可以用直接聚类法，不求传递闭包，直接用模糊相似矩阵R进行聚类。步骤：将模糊相似矩阵R中的所有不同的元素按从大到小的顺序编排，直接在模糊相似矩阵R上找出λ 水平上的等价分类；画出动态聚类图。基于模糊等价关系的动态聚类法?基于模糊等价关系的动态聚类法画出动态聚类图如下：λ越大，分类越细。基于模糊等价关系的动态聚类法特点传递闭包法、直接聚类法，尽管在形式上不相同，但其聚类原则不外乎是，ui与uj在λ水平上归为一类，即元素ui与uj具有等价关系R的程度不小于λ。因此，对于同一问题，这些方法的聚类结果是相同的。传递闭包法适合于计算机操作，直接聚类法当矩阵阶数小时，容易