模式识别与人工智能之五PPT课件.pptVIP

变量定义 数据集X={x1, x2, … , xn} c个模糊类 样本xk对第i类的模糊隶属度为uik，满足条件 隶属度矩阵U={uik} 第i类的类中心为vi 聚类中心矩阵为V={v1, v2, …, vc} 建立基于隶属度矩阵U和聚类中心矩阵V的目标函数Jm(U,V) 划分聚类法 – 模糊C均值聚类 fuzzy c means 目标函数最小化求解 划分聚类法 – 模糊C均值聚类 fuzzy c means 这里m1,是隶属度的加权指数; 为第i个聚类中心与第k个数据样本之间的欧几里得距离; 限定条件： 最小化上述函数可以用拉格朗日乘子法求解 目标函数最小化求解 对上式进行求导，使其达到最小的必要条件为： 划分聚类法 – 模糊C均值聚类 fuzzy c means 公式（1） 公式（2） 模糊C均值聚类算法具体步骤 划分聚类法 – 模糊C均值聚类 fuzzy c-means (FCM) 确定聚类类别数目c、加权指标m，用0~1的随机值初始化隶属矩阵U(0) ，并满足 令迭代次数为b，b=0,1,2…bmax 根据公式（2）计算各个类的中心Vi(b); 根据公式（1）更新U(b)为U(b+1)； 比较U(b)和U(b+1)之间的差别，如果 或者迭代达到最大次数，则聚类结束；否则，置b=b+