模糊聚类分和模式识别.pptVIP

模糊聚类分析与模式识别  ☆前言 模糊教学是用数学方法研究和处狸具有“模糊性 现彖的數学。所谓的模糊性主要是指容观事物差异 的中间过渡界线的“不分明性”。如储层的含油气 性、油田规模的大小,成油地质条件的优劣,圈闭 的形态,岩石的颜色等。这些模糊变量的描述或定 义是模稠的,各变量的内部分级没有明显的界线。 1965年奚国控制论专家L.A. Zadeh提出这一概 念后,模糊數学得到迅速发長弄并应用到各个领域。  聚类分析的基本概念 ·“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,仅靠事物间的相似性作为类属划分的准则, 属于无监督分类的范畴。 “聚类分析”是指用数学的方法研究和处理给定对 象的分类 “人以群分,物以类聚”,聚类是一个古老的问题它 伴随着人类社会的产生和发展而不断深化,人类要认 识世界就必须区别不同的事物并认识事物间的相似 性  聚类分析的基本概念 聚类分析是多元统计分析的一种,它把一个没有类别 标记的样本集按某种准则划分成若干个子集(类),使 相似的样本尽可能归为一类,而不相似的样本尽量划 分到不同的类中。 传统的聚类分析是一种硬划分,它把每个待辨识的对 象严格地划分到某类中,具有非此即彼的性质,因此 这种类别划分的界限是分明的。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,具有亦此亦彼的性质因此适合进行软划分。  聚类分析的基本概念 ·模糊集理论的提出为软划分提供了有力的分析工具,用 模糊数学的方法来处理聚类问题,被称之为模糊聚类分 析。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,更能客观地反映现 实世界,从而成为聚类分析研究的主流。 模糊聚类已经在诸多领域获得了广泛的应用,如模式识 别、图像处理、信道均衡、矢量量化编码、神经网络 的训练、参数估计、医学诊断、天气预报、食品分类 水质分析等。  聚类分析的基本概念 常用的模糊聚类分析方法大致可分为两大类:其一是 基于模糊关系(矩阵)的聚类分析方法,而作为其中核心 步骤的模糊分类有下述的主要方法:模糊传递闭包法 直接聚类法、最大树法和编网法;其二是基于目标函 数的聚类分析方法,称为模糊C均值(FCM聚类算法 〔或称为模糊 ISODATA聚类分析法)( Iterative self- Organizing Data Analysis Techniques Algorithm迭代自 组织数据分析)。  §1模糊聚类分析 模糊聚类分析是在模糊相似矩阵的基础上,对 分类对进行定量分类的方法。 数据标准化 主要内容{走立模糊相似矩阵 动态聚类  数据标准化 1、建立数据矩阵 设论域U={x1,x2…,xn}为被分类对象, 每个对象又由m个指标表示其性状: x1={x1,x;2…,xm)(=1,2,…,n) 则得到原始数据矩阵为X=(x1) 在实际问题中,不同的数据一般有不同 的量纲,为了使有不同量纲的量能进行比较, 需要将数据规格化,常用的方法有  (1)标准差标准化 对于第i个变量进行标准化,就是将x;换成 ,即 (1≤j≤m) 式中 x2;-x;),  (2)极差正规化x x,-min(x) 1≤i≤n maxx)(xi) 1i≤n l≤in (3)极差标准化 maxx;(; (4)最大值规格化 其中 M:=max(iisx2jstnui) 10