模糊聚类分析方法
在工程技术和经济管理中，常常需要对某些指标按照一定的标准(相似的程度或亲 疏关系等)进行分类处理。例如，根据生物的某些性态对其进行分类，根据空气的性质 对空气质量进行分类，以及工业上对产品质量的分类、工程上对工程规模的分类、图像 识别中对图形的分类、地质学中对土壤的分类、水资源中的水质分类等等。这些对客观 事物按一定的标准进行分类的数学方法称为聚类分析，它是多元统计“物以聚类”的一种分类方法。然而，在科学技术、经济管理中有许多事物的类与类之间并无清晰的划分， 边界具有模糊性，它们之间的关系更多的是模糊关系。对于这类事物的分类，一般用模糊数学方法、我们把应用模糊数学方法进行的聚类分析，称为模糊聚类分析。1 预备知识
1.1 模糊等价矩阵
https://img-blog.csdnimg.cn/20190506233006868.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
n 阶等价布尔矩阵
https://img-blog.csdnimg.cn/2019050623314111.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
模糊分类
https://img-blog.csdnimg.cn/20190506233152674.png
https://img-blog.csdnimg.cn/20190506233237195.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/20190506233307834.png
https://img-blog.csdnimg.cn/20190506233320321.png
1.2 模糊相似矩阵
https://img-blog.csdnimg.cn/20190506233419500.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/2019050623344189.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/20190506233526228.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
2 模糊聚类分析法的基本步骤
Step1: 数据标准化
(1) 获取数据
https://img-blog.csdnimg.cn/2019050623361127.png
(2) 数据的标准化处理
在实际问题中，不同的数据可能有不同的性质和不同的量纲，为了使原始数据能够 适合模糊聚类的要求，需要将原始数据矩阵 A 作标准化处理，即通过适当的数据变换，将其转化为模糊矩阵。常用的方法有以下两种：
① 平移—标准差变换
https://img-blog.csdnimg.cn/20190506233729496.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
② 平移—极差变换
https://img-blog.csdnimg.cn/20190506233750524.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
Step2: 建立模糊相似矩阵
https://img-blog.csdnimg.cn/20190506233833891.png
(1) 数量积法
https://img-blog.csdnimg.cn/20190506233902550.png
https://img-blog.csdnimg.cn/20190506233930385.png
(2) 夹角余弦法
https://img-blog.csdnimg.cn/20190506234026747.png
(3) 相关系数法
https://img-blog.csdnimg.cn/20190506234047403.png
(4) 指数相似系数法
https://img-blog.csdnimg.cn/20190506234120409.png
(5) 最大最小值法
式中 ∧ 为取小运算min，∨ 代表取大运算max
https://img-blog.csdnimg.cn/20190506234159384.png
(6) 算术平均值法
https://img-blog.csdnimg.cn/20190506234232597.png
(7) 几何平均值法
https://img-blog.csdnimg.cn/20190506234758300.png
(8) 绝对值倒数法
https://img-blog.csdnimg.cn/20190506234529441.png
(9) 绝对值指数法
https://img-blog.csdnimg.cn/20190506234840580.png
(10) 海明距离法
https://img-blog.csdnimg.cn/20190506234900186.png
(11) 欧氏距离法
https://img-blog.csdnimg.cn/20190506235143242.png
(12) 切比雪夫距离法
https://img-blog.csdnimg.cn/20190506235644660.png
(13) 主观评分法
https://img-blog.csdnimg.cn/20190506235303561.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
Step3: 聚类
所谓聚类方法就是依据模糊矩阵将所研究的对象进行分类的方法。对于不同的置信 水平λ ∈，可以得到不同的分类结果，从而形成动态聚类图。常用的方法如下：
(1) 传递闭包法
从 Step2 中求出的模糊相似矩阵 R 出发，来构造一个模糊等价矩阵 。其方法就 是用平方法求出 R 的传递闭包t(R) ，则 t(R) = ；然后，由大到小取一组λ ∈ ， 确定相应的λ 截矩阵，则可以将其分类，同时也可以构成动态聚类图。
(2) 布尔矩阵法
https://img-blog.csdnimg.cn/20190506235744862.png
https://img-blog.csdnimg.cn/20190506235809470.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
(3) 直接聚类法
此方法是直接由模糊相似矩阵求出聚类图的方法，具体步骤如下：
https://img-blog.csdnimg.cn/20190506235850445.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
3 模糊聚类分析应用案例
例 15 某地区内有 12 个气象观测站，10 年来各站测得的年降水量如表 3 所示。 为了节省开支，想要适当减少气象观测站，试问减少哪些观察站可以使所得到的降水量 信息仍然足够大？
https://img-blog.csdnimg.cn/20190507000154634.png
https://img-blog.csdnimg.cn/20190507000032864.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
解 我们把 12 个气象观测站的观测值看成 12 个向量组，由于本题只给出了 10 年 的观测数据，根据线性代数的理论可知，若向量组所含向量的个数大于向量的维数，则 该向量组必然线性相关。于是只要求出该向量组的秩就可确定该向量组的最大无关组所 含向量的个数，也就是需保留的气象观测站的个数。由于向量组中的其余向量都可由极 大线性无关组线性表示，因此，可以使所得到的降水信息量足够大。
https://img-blog.csdnimg.cn/20190507082055579.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
到目前为止，问题似乎已经完全解决了，可其实不然，因为如果上述观测站的数 据不是 10 年，而是超过 12 年，则此时向量的维数大于向量组所含的向量个数，这样的 向量组未必线性相关。故上述的解法不具有一般性，下面我们考虑一般的解法，首先， 我们利用已有的 12 个气象观测站的数据进行模糊聚类分析，最后确定从哪几类中去掉 几个观测站。
（1）建立模糊集合
https://img-blog.csdnimg.cn/20190507082136504.png
https://img-blog.csdnimg.cn/20190507082200274.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/20190507082225338.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
（2）利用格贴近度建立模糊相似矩阵
https://img-blog.csdnimg.cn/20190507082317988.png
（3）求 R 的传递闭包
https://img-blog.csdnimg.cn/20190507082408110.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
其余观测站属于中间水平。
（4）选择保留观测站的准则
显然，去掉的观测站越少，则保留的信息量越大。为此，我们考虑在去掉的观测 站数目确定的条件下，使得信息量最大的准则。由于该地区的观测站分为 4 类，且第 4 类只含有一个观测站，因此，我们从前 3 类中各去掉一个观测站，我们的准则如下：
https://img-blog.csdnimg.cn/2019050708245424.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/20190507082513285.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
https://img-blog.csdnimg.cn/20190507082529251.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5ODMxMTYz,size_16,color_FFFFFF,t_70
（5）求解的 MATLAB 程序如下：
i）求模糊相似矩阵的 MATLAB 程序
a=[276.2 324.5 158.6 412.5 292.8 258.4 334.1 303.2 292.9 243.2 159.7 331.2
251.5 287.3 349.5 297.4 227.8 453.6 321.5 451.0 466.2 307.5 421.1 455.1
192.7 433.2 289.9 366.3 466.2 239.1 357.4 219.7 245.7 411.1 357.0 353.2
246.2 232.4 243.7 372.5 460.4 158.9 298.7 314.5 256.6 327.0 296.5 423.0
291.7 311.0 502.4 254.0 245.6 324.8 401.0 266.5 251.3 289.9 255.4 362.1
466.5 158.9 223.5 425.1 251.4 321.0 315.4 317.4 246.2 277.5 304.2 410.7
258.6 327.4 432.1 403.9 256.6 282.9 389.7 413.2 466.5 199.3 282.1 387.6
453.4 365.5 357.6 258.1 278.8 467.2 355.2 228.5 453.6 315.6 456.3 407.2
158.2 271.0 410.2 344.2 250.0 360.7 376.4 179.4 159.2 342.4 331.2 377.7
324.8 406.5 235.7 288.8 192.6 284.9 290.5 343.7 283.4 281.2 243.7 411.1];
mu=mean(a),sigma=std(a)
for i=1:12
for j=1:12
r(i,j)=exp(-(mu(j)-mu(i))^2/(sigma(i)+sigma(j))^2);
end
end
r
save data1 r a
ii）矩阵合成的 MATLAB 函数
function rhat=hecheng(r);
n=length(r);
for i=1:n
for j=1:n
rhat(i,j)=max(min());
end
end
iii）求模糊等价矩阵和聚类的程序
load data1
r1=hecheng(r)
r2=hecheng(r1)
r3=hecheng(r2)
bh=zeros(12);
bh(find(r2>0.998))=1
iv)计算表6的程序 编写计算误差平方和的函数如下：
function err=wucha(a,t);
b=a;b(:,t)=[];
mu1=mean(a,2);mu2=mean(b,2);
err=sum((mu1-mu2).^2);
计算28个方案的主程序如下：
load data1
ind1=;ind2=;ind3=;
so=[];
for i=1:length(ind1)
for j=1:length(ind3)
for k=1:length(ind2)
t=;
err=wucha(a,t);
so=];
end
end
end
so
tm=find(so(:,4)==min(so(:,4)));
shanchu=so(tm,1:3)
————————————————
版权声明：本文为CSDN博主「wamg潇潇」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_29831163/article/details/89893908
页:
[1]