模糊聚类分析在识别农业类专家系统用户中的应用.pdf

模糊聚类分析在识别农业类专家系统用户中的应用 摘　要：目前农业类专家系统是网络上解决各种农业问题和各种 数据管理的一种有效途径，文章将模糊数学的模糊聚类分析法应用 于专家系统用户的类型分析，使专家系统用户得到合理分类，在开 发专家系统时提供必要数据，以节约开发成本，提高专家系统质量。 关键词：模糊聚类分析；专家系统用户；农业 农业类专家系统是一个智能计算机程序系统，其内部含有大量的 专家水平的知识与经验，能够利用人类专家的知识和解决问题的方 法来处理该领域问题。例如病虫害专家系统。但使用该系统的用户 计算机的应用水平却是参差不齐，因此为了让各类型的用户有效利 用专家系统合理管理数据，快速、有效地为用户解决现实农业生产 中所遇到的问题，有必要对使用专家系统的用户进行分类研究。 1　模糊聚类分析法 聚类分析也称群分析、点群分析，是对事物按一定要求和规律进 行分类的一种数学方法。 一般来说，用经典数学来描述现实的分类，往往不令人满意，而 用模糊聚类分析的方法，即用模糊数学方法来进行聚类分析，描述 现实的分类，更显得自然，也更符合实际。模糊聚类的主要步骤为： 确定对象，建立模糊相似关系和布尔矩阵聚类[1，2]。 1.1　确定对象 设 x={x1,x2,...,xn}为待分类的全体，其中每一个分类对象由一 组数据来表征：xi=(xi1,xi2,...,xim)。 1.2　建立模糊相似关系 对象 xi 与 xj 之间的相关程度，可用数 rij∈[0,1]来描述，以 rij 为元素可建立模糊相似矩阵 r=(rij)n×n[1]，其中 rij=rji,rii=1(i,j=1,...,n)。确定rij 的值，可用算术平均最小 法，如式（1）所示： （1） 最大树聚类分析法：使 u={x1，x2，……，xn}，先画出所有顶点 xi （i=1,2,……,n），从模糊相似矩阵r 中按照rij 从大到小的顺 序依次画枝，并标上权重，要求不产生圈，直到所有顶点连通为止， 就得到一棵最大树，取定λ∈[0,1]，砍断权重低于λ的枝，得到 一个不连通的图，各个连通的分支就构成了在λ水平上的分类[3]。 2　分析计算机应用系统用户类型 下面以外行型、初学型、熟练型和专家型的用户为例，阐明对农 业类专家系统用户的模糊聚类分析法。描述一个实体用户，可用以 下属性描述：熟悉计算机操作，对计算机系统有一定认识，纠正意 外错误的能力，扩展系统的能力等[4]。具有以上这些属性的组合 实体，可以有外行型、初学型、熟练型和专家型等各种不同类型， 但本质是一类事物。表 1 列举了外行型、初学型、熟练型和专家型 的有关属性指标。为了计算简便，作了一些处理，但并不影响分析。 表 1 中为0 的数据表示完全不具有该属性能力。如对于用户项目 x3 熟练型，完全没有纠正意外错误的能力，则此属性为 0。表中为 1 的数据表示完全具有该属性能力。如对于用户项目x4 专家型，完全 具有扩展系统的能力，则此属性为 1。根据表 1 的数据，表中为小 数的数据表示具有该种能力的程度。如 x1 外行型对计算机的操作 熟悉度为 0.1，即很不熟悉。下面用模糊聚类分析法来分类农业类 专家系统用户的类型[5]。 2.1　确定外行型、初学型、熟练型和专家型分别为对象 x1，x2， x3，x4 对象 xi 对应的属性熟悉计算机操作，对计算机系统有一定认识， 纠正意外错误的能力，扩展系统的能力分别用 xi1，xi2，xi3，xi4 来表征。有对象矩阵，如式（2）所示： x＝0　0　0　01　0　0　01　1　0　01　1　1　1 （2） 2.2　求取模糊相似矩阵 r 用算术平均最小法即公式 (1)确定，r 中的rij 的值。如 r23=0.714。与此类似，可算出其他rij，得到模糊相似矩阵r，如 式（3）所示： r＝1　0.182　0.105　0.0490.182　1　0.714　0.40.105　 0.714　1　0.6210.049　0.4　0.621　1 （3） 2.3　在 r 的模糊相似矩阵上使用最大树法进行聚类 使 u={x1，x2，x3，x4}，先画出所有顶点xi （i=1,2,3,4），从 模糊相似矩阵 r 中按照rij 从大到小的顺序依次画枝，并标上权重， 要求不产生圈，直到所有顶点连通为止，就得到一棵最大树： 在最大树中，取定λ=0.621，砍断权重低于λ的枝，得到一个不 连通的图：