２００３年７月第１０卷增干
控制Ｉ程
ｏ）ｎｔｒｏｌＥ“ｇｉｎｅｅ“ｎｇｏｆＣｈｉｎａ
Ｊｕｌ．２０Ｏ３
Ｖ０１．１０，Ｓｌ
文章编号：１６７１．７８４８（２００３）Ｓｌ?００８４－０３
ｌ引言基于连锁聚类法及遗传算法的模糊建模
郑伟．徐洪泽
（北方交通大学自动化茉．北京１０００４４）
摘要：模糊建模可以分为被辨识系统的结构辨识和参数辨识。针对系统的结构辨识．提出了一种新型连锁聚类算法，用其来实现被辨识系统的结构辨识及初始参数辨识；针对系娆的参数辨识。提出了采用遗传算法对被辨识末蜕的参数进行更加精确的校正。通过结构辨识算法和参数辨识算法的结合，可以只针对被辨识系兢的辅入输出测试牡据直接进行被辨识系统的结构辨识及参数的进一步精确校正。通过对非线孵函敷的仿真结果表明．此辨识方法具有较好的辨识结果。
关键词：连馈聚类；遗传算法；模糊控幸ｌ
中图分类号：ＴＰ２７３．４文献标识码：Ａ
模糊建模的研究用来处理复杂的，采用传统的数学模型难以表示的不确定系统。模糊建摸可以看作是模糊辨识的过程。大体上讲，模糊辨识包括两部分：结构辨识和参数辨识¨，”。结构辨识包括模糊系统结构，模糊规则的数量，每一规则中前件及后件隶属函数的确定。参数辨识是指精确确定模型中的特定参数．得到更精确的模糊模型。
遗传算法作为一种基本的随意搜索方法．已经应用于许多方面。例如，函数最优，路径问题等…。文献［４】采用遗传算法来确定模糊系统的隶属函数的参数．但其前提是已知模糊隶属函数的形状及模糊规则。而且不涉及结构辨识。文献【５】采用了一种聚类算法对输入输出数据进行直接处理，从而得到模糊系统的初始结构，但其算法对于复杂大量数据的系统有太大的计算量，而且某些参数的选取也没有确定的方法，这些都会影响其辨识精度。本文在文献［５】的基础上采用一种新的模糊连锁聚类法自动对待辨识的输入输出数据进行处理，得到模糊系统的初始结构，然后采用遗传算法对系统的参数进行精确的参数辨识。
２基于连锁聚类法的结构辨识
设ｘ＝｛ｚ１，ｚ２，…，丁。｝为声维向量空间中的ｎ个向量．墨＝（Ｔｆ（１），Ｔｉ（２）。…，≈（ｐ））是其中的一个向量。
研究的目的是将已知信息进行聚类，空间距离相近的点分在同一类中。在已知信息的边缘选择ｎ个点作为参考向量．找到与参考向量具有高相关程度的向量。用与参考向量具有高相关程度的向量的平均值取代参考向量。然后，再取选择的”个点中的任意两个点的中点作为参考向量，重复上面的操作，依次类推，直到所有数据点集中在某几个点上。
由于模糊辨识的控制规则一般不少于４个，所以初始点选择４个。
对于ｎ组输入输出数据，算法如下：
①定义４个可移动向量ｖ，（ｉ＝１，２，３，４），可移动向量的初始值为已知信息的边缘点。
◎用下式计算参考向最ｈ与各比较向量ｖｆ之间的相关程度
ｆｌＩｈ—ｖｊＩＩ２１
ｑ２。印Ｉ一—１矿Ｊ
式中，ｉ＝１，２，３，４；Ｊ＝１。２，…．ｎ；』ｈ—ｖ，｜｜为ｈ与ｖ，之间的Ｅｕｃｌｉｄｅｎ距离；ｄ为高斯函数的宽度。
③用公式
ｆｏ，ｒ｛ｉ＜∈
７４
２
Ｉｒ４，ｒｄ≥‘
修正参考向量ｖ，与比较向量ｖ，之间的相关程度。
收稿日期：２００３—０４—１６
作者∞介：郑伟（１９７５．）．男．黑龙菹呼兰人，讲师．博士。主要从事模相控翻．智蛆控捌等方面的教学与科研工作．棣洪漳（１９６６－）
男，教授。博士。
万方数据
目录 1引言: (3) 2 理论准备： (3) 2.1 模糊集合理论 (3) 2.2模糊C均值聚类(FCM) (4) 2.3 加权模糊C均值聚类(WFCM) (4) 3 聚类分析实例 (5) 3.1数据准备 (5) 3.1.1数据表示 (5) 3.1.2数据预处理 (5) 3.1.3 确定聚类个数 (6) 3.2 借助clementine软件进行K-means聚类 (7) 3.2.1 样本在各类中集中程度 (8) 3.2.2 原始数据的分类结果 (8) 3.2.3结果分析 (9) 3.3模糊C均值聚类 (10) 3.3.1 数据集的模糊C划分 (10) 3.3.2 模糊C均值聚类的目标函数求解方法 (10) 3.3.3 MATLAB软件辅助求解参数设置 (11) 3.3.4符号表示 (11)
3.3.5代码实现过程 (11) 3.3.6 FCM聚类分析 (11) 3．4 WFCM算法 (14) 3.4.1 WFCM聚类结果展示 (14) 3.4.2样本归类 (16) 3.4.3归类代码实现 (16) 4．结论 (17) 5 参考文献 (18) 6 附录 (18)
模糊聚类与非模糊聚类比较分析 摘要： 聚类分析是根据样本间的相似度实现对样本的划分，属于无监督分类。传统的聚类分析是研究“非此即彼”的分类问题，分类结果样本属于哪一类很明确，而很多实际的分类问题常伴有模糊性，即它不仅仅是属于一个特定的类，而是“既此又彼”。因此为了探究模糊聚类与非模糊聚类之间聚类结果的差别，本文首先采用系统聚类方法对上市公司132支股票数据进行聚类，确定比较合理的聚类数目为11类，然后分别采用K-means聚类与模糊聚类方法对股票数据进行聚类分析，最终得出模糊聚类在本案例中比K-means聚类更符合实际。 关键字：模糊集合，K-means聚类，FCM聚类，WFCM聚类 1引言: 聚类分析是多元统计分析的方法之一，属于无监督分类，是根据样本集的内在结构，按照样本之间相似度进行划分，使得同类样本之间相似性尽可能大，不同类样本之间差异性尽可能大。传统的聚类分析属于硬化分，研究对象的性质是非此即彼的，然而，现实生活中大多数事物具有亦此亦彼的性质。因此传统的聚类分析方法往往不能很好的解决具有模糊性的聚类问题。为此，模糊集合理论开始被应用到分类领域，并取得不错成果。 本文的研究目的是通过对比传统聚类和模糊聚类的聚类结果，找出二者之间的不同之处，并说明两种聚类分析方法在实例中应用的优缺点。 2理论准备： 2.1 模糊集合理论 模糊集合定义：设Ｕ为论域，则称由如下实值函数μA：Ｕ→ [ 0，1 ]，u →μ ( u )所确定的集合A 为Ｕ上的模糊集合，而称μA为模糊集合A 的隶A 属函数，μ A ( u)称为元素u 对于A 的隶属度。若μA(u) =１，则认为u完全属于A；若μA(u) =０，则认为u完全不属于A，模糊集合是经典集合的推广。
模糊聚类分析方法 对所研究的事物按一定标准进行分类的数学方法称为聚类分析，它是多元统计“物以类聚”的一种分类方法。载科学技术、经济管理中常常要按一定的标准（相似程度或亲疏关系）进行分类。例如，根据生物的某些性状可对生物分类，根据土壤的性质可对土壤分类等。由于科学技术、经济管理中的分类界限往往不分明，因此采用模糊聚类方法通常比较符合实际。 一、模糊聚类分析的一般步骤 1、第一步：数据标准化[9] （1） 数据矩阵 设论域12{,,,}n U x x x =为被分类对象， 每个对象又有m 个指标表示其性状，即 12{,, ,}i i i im x x x x = (1,2,,) i n =， 于是，得到原始数据矩阵为 1112 1 21222 12 m m n n nm x x x x x x x x x ?? ? ? ? ??? 。 其中nm x 表示第n 个分类对象的第m 个指标的原始数据。 （2） 数据标准化 在实际问题中，不同的数据一般有不同的量纲，为了使不同的量纲也能进行比较，通常需要对数据做适当的变换。但是，即使这样，得到的数据也不一定在区间[0,1]上。因此，这里说的数据标准化，就是要根据模糊矩阵的要求，将数据压缩到区间[0,1]上。通常有以下几种变换： ① 平移·标准差变换
i k k ik k x x x s -'= (1,2,,;1,2,i n k m == 其中 11n k i k i x x n ==∑， k s =。 经过变换后，每个变量的均值为0，标准差为1，且消除了量纲的影响。但 是，再用得到的ik x '还不一定在区间[0,1]上。 ② 平移·极差变换 111m i n { }m a x {}m i n {}i k i k i n ik ik ik i n i n x x x x x ≤≤≤≤≤≤''-''=''- ，(1,2, ,)k m = 显然有01ik x ''≤≤，而且也消除了量纲的影响。 ③ 对数变换 lg ik ik x x '= (1,2,,;1,2,i n k m == 取对数以缩小变量间的数量级。 2、第二步：标定（建立模糊相似矩阵） 设论域12{,, ,}n U x x x =，12{,,,}i i i im x x x x =，依照传统聚类方法确定相似 系数，建立模糊相似矩阵，i x 与j x 的相似程度(,)ij i j r R x x =。确定(,)ij i j r R x x =的方法主要借用传统聚类的相似系数法、距离法以及其他方法。具体用什么方法，可根据问题的性质，选取下列公式之一计算。 （1） 相似系数法 ① 夹角余弦法 2 2m ik jk ij m ik jk x x r x = ∑∑ ② 最大最小法 11() () m ik jk k ij m ik jk k x x r x x ==∧= ∨∑∑。 ③ 算术平均最小法
1. 模糊聚类分析模型 环境区域的污染情况由污染物在4个要素中的含量超标程度来衡量。设这5个环境区域的污染数据为1x =(80, 10, 6, 2), 2x =(50, 1, 6, 4), 3x =(90, 6, 4, 6), 4x =(40, 5, 7, 3), 5x =(10, 1, 2, 4). 试用模糊传递闭包法对X 进行分类。 解 ： 由题设知特性指标矩阵为: * 80106250164906464057310124X ????????=???????? 数据规格化：最大规格化' ij ij j x x M = 其中： 12max(,,...,)j j j nj M x x x = 00.8910.860.330.560.1 0.860.671 0.60.5710.440.510.50.11 0.1 0.290.67X ????????=?? ?????? 构造模糊相似矩阵: 采用最大最小法来构造模糊相似矩阵55()ij R r ?=, 1 0.540.620.630.240.5410.550.700.530.62 0.5510.560.370.630.700.5610.380.240.530.370.381R ?? ??? ???=?? ?????? 利用平方自合成方法求传递闭包t (R ) 依次计算248,,R R R , 由于84R R =，所以4()t R R =
2 10.630.620.630.530.6310.560.700.530.62 0.5610.620.530.630.700.6210.530.530.530.530.531R ?? ??????=?? ??????， 4 10.630.620.630.530.6310.620.700.530.62 0.6210.620.530.630.700.6210.530.53 0.530.530.531R ????????=?? ?????? =8R 选取适当的置信水平值[0,1]λ∈, 按λ截矩阵进行动态聚类。把()t R 中的元素从大到小的顺序编排如下: 1>0.70>0.63>062>053. 依次取λ=1, 0.70, 0.63, 062, 053，得 11 000001000()0 010******* 0001t R ????? ? ??=?? ??????，此时X 被分为5类：{1x }，{2x }，{3x }，{4x }，{5x } 0.7 1000001010()001000101000001t R ?????? ??=?? ??????，此时X 被分为4类：{1x }，{2x ，4x }，{3x }，{5x } 0.63 1101011010()001001101000001t R ?????? ??=?? ??????，此时X 被分为3类：{1x ，2x ，4x }，{3x }，{5x } 0.62 1111011110()11110111100 0001t R ?????? ??=?? ?????? ，此时X 被分为2类：{1x ，2x ，4x ，3x }，{5x }
本科生毕业论文（设计） （ 2011 届） 论文（设计）题目模糊聚类分析应用 作者舒海波 系、专业理学分院数学与应用数学 班级应数072 指导教师（职称）何颖俞（讲师） 字数 9403 字 成果完成时间2011年4月10日 杭州师范大学钱江学院教学部制
模糊聚类分析应用 数学与应用数学专业0702班指导教师何颖俞 摘要：模糊聚类简单而言就是把数据中的指标分类。本文利用的是最大树法对等价矩阵进行聚类，然后利用fcm法对相似矩阵的求法进行比较。 关键字：模糊聚类，等价矩阵，最大树，相似矩阵 The application of fuzzy clustering Shuhaibo Instructor: HeYingYu Abstract: Fuzzy clustering is a method to classify the given data based on some indexes. In this paper I use the method of the maximal tree to classify the equivalent matrix, and then use clustering analysis method of FCM to comparison the solutions of the similar matrices. Key word: fuzzy clustering, equivalence matrix, the maximal tree, similar matrix
目录 1 绪论 (1) 2模糊聚类分析方法 (1) 2.1距离和相似系数 (1) 2.2 F相似关系 (2) 2.2.1定义 (2) 2.2.2 定理 (2) 2.3 聚类分析 (3) 2.3.1最大树法 (4) 3算法分类 (4) 3.1聚类方法的分类 (5) 3.1.1划分方法（partitioning method） (5) 3.1.2层次方法(hierarchical method) (5) 3.1.3基于密度的方法(density-based method) (5) 3.1.4基于网格的方法(grid-based method) (5) 3.1.5基于模型的方法(model-based method) (5) 3.2．数据挖掘领域中常用的聚类算法 (5) 3.2.1 CLARANS算法（随机搜索聚类算法） (5) 3.2.2 CURE算法（利用代表点聚类） (6) 3.2.3 BIRCH算法（利用层次方法的平衡迭代归约和聚类） (6) 3.2.4 DBSCAN算法（基于高密度连接区域的密度聚类方法） (6) 3.2.5 STING算法（统计信息风格） (7) 3.2.6 COBWEB算法（流行的简单增量概念聚类算法） (7) 3.2.6 模糊聚类算法FCM (8) 3.3 聚类算法的性能比较 (8) 4实际应用 (9) 5总结 (13) 参考文献： (13)
23. 模糊聚类分析原理及实现 聚类分析，就是用数学方法研究和处理所给定对象，按照事物间的相似性进行区分和分类的过程。 传统的聚类分析是一种硬划分，它把每个待识别的对象严格地划分到某个类中，具有非此即彼的性质，这种分类的类别界限是分明的。 随着模糊理论的建立，人们开始用模糊的方法来处理聚类问题，称为模糊聚类分析。由于模糊聚类得到了样本数与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。 本篇先介绍传统的两种（适合数据量较小情形，及理解模糊聚类原理）：基于择近原则、模糊等价关系的模糊聚类方法。 （一）预备知识 一、模糊等价矩阵 定义1 设R=(r ij )n ×n 为模糊矩阵，I 为n 阶单位矩阵，若R 满足 i) 自反性：I ≤R （等价于r ii =1）； ii) 对称性：R T =R; 则称R 为模糊相似矩阵，若再满足 iii) 传递性：R 2 ≤R （等价于1 ()n ik kj ij k r r r =∨∧≤） 则称R 为模糊等价矩阵。 定理1 设R 为n 阶模糊相似矩阵，则存在一个最小的自然数k
（k 模糊聚类分析方法 对所研究的事物按一定标准进行分类的数学方法称为聚类分析，它是多元统计“物以类聚”的一种分类方法。载科学技术、经济管理中常常要按一定的标准（相似程度或亲疏关系）进行分类。例如，根据生物的某些性状可对生物分类，根据土壤的性质可对土壤分类等。由于科学技术、经济管理中的分类界限往往不分明，因此采用模糊聚类方法通常比较符合实际。 一、模糊聚类分析的一般步骤 1、第一步：数据标准化[9] （1） 数据矩阵 设论域12{,,,}n U x x x =为被分类对象，每个对象又有m 个指标表示其性状， 即 12{,, ,}i i i im x x x x = (1,2, ,)i n =， 于是，得到原始数据矩阵为 11 121212221 2 m m n n nm x x x x x x x x x ?? ? ? ? ??? 。 其中nm x 表示第n 个分类对象的第m 个指标的原始数据。 （2） 数据标准化 在实际问题中，不同的数据一般有不同的量纲，为了使不同的量纲也能进行比较，通常需要对数据做适当的变换。但是，即使这样，得到的数据也不一定在区间[0,1]上。因此，这里说的数据标准化，就是要根据模糊矩阵的要求，将数据压缩到区间[0,1]上。通常有以下几种变换： ① 平移·标准差变换 ik k ik k x x x s -'= (1,2,,;1,2,,)i n k m == 其中 11n k ik i x x n ==∑， k s = 经过变换后，每个变量的均值为0，标准差为1，且消除了量纲的影响。但 是，再用得到的ik x '还不一定在区间[0,1]上。 ② 平移·极差变换 111min{}max{}min{}ik ik i n ik ik ik i n i n x x x x x ≤≤≤≤≤≤''-''=''-，(1,2,,)k m = 显然有01ik x ''≤≤，而且也消除了量纲的影响。 ③ 对数变换 lg ik ik x x '= (1,2,,;1,2,,)i n k m == 取对数以缩小变量间的数量级。 2、第二步：标定（建立模糊相似矩阵） 设论域12{,, ,}n U x x x =，12{,, ,}i i i im x x x x =，依照传统聚类方法确定相似 系数，建立模糊相似矩阵，i x 与j x 的相似程度(,)ij i j r R x x =。确定(,)ij i j r R x x =的方法主要借用传统聚类的相似系数法、距离法以及其他方法。具体用什么方法，可根据问题的性质，选取下列公式之一计算。 （1） 相似系数法 ① 夹角余弦法 21 m ik jk ij m ik jk k x x r x == ∑∑。 ② 最大最小法 11() () m ik jk k ij m ik jk k x x r x x ==∧= ∨∑∑。 ③ 算术平均最小法 比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题 一、专家系统(Expert System) 1，什么是专家系统？ 在日常生活中大家所认知的“专家”一般都拥有某一特定领域的大量专业知识，以及丰富的实际经验。在解决问题时，专家们通常拥有一套独特的思维方式，能较圆满地解决一类困难问题，或向用户提出一些建设性的建议等。 专家系统一般定义为一个具有智能特点的计算机程序。 它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。 专家系统的基本结构如图1所示，其中箭头方向为数据流动的方向。 图1 专家系统的基本组成 专家系统通常由知识库和推理机两个主要组成要素。 知识库存放着作为专家经验的判断性知识,例如表达建议、 推断、 命令、 策略的产生式规则等, 用于某种结论的推理、 问题的求解,以及对于推理、 求解知识的各种控制知识。 知识库中还包括另一类叙述性知识, 也称作数据,用于说明问题的状态,有关的事实和概念,当前的条件以及常识等。 专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。 推理机实际上是一个运用知识库中提供的两类知识,基于木某种通用的问题求解模型,进行自动推理、 求解问题的计算机软件系统。 它包括一个解释程序, 用于决定如何使用判断性知识推导新的知识, 还包括一个调度程序, 用于决定判断性知识的使用次序。 推理机的具体构造取决于问题领域的特点,及专家系统中知识表示和组织的方法。 推理机针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。在这里，推理方式可以有正向和反向推理两种。正向推理是从前件匹配到结论，反向推理则先假设一个结论成立，看它的条件有没有得到满足。由此可见，推理机就如同专家解决问题的思维方式，知识库就是通过推理机来实现其价值的。 人机界面是系统与用户进行交流时的界面。通过该界面，用户输入基本信息、回答系统提出的相关问题，并输出推理结果及相关的解释等。 综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区。解释器能够根据用户的提问，对结论、求解过程做出说明，因而使专家系统更具有人情味。 知识获取是专家系统知识库是否优越的关键，也是专家系统设计的“瓶颈”问题，通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功能。 2，专家系统的特点 在功能上, 专家系统是一种知识信息处理系统, 而不是数值信息计算系统。在结构上, 专家系统的两个主要组成部分 – 知识库和推理机是独立构造、分离组织, 但又相互作用的。在性能上, 专家系统具有启发性, 它能够运用专家的经验知识对不确定的或不精确的问题进行启发式推理, 运用排除多余步骤或减少不必要计算的思维捷径和策略；专家系统具有透明性, 它能够向用户显示为得出某一结论而形成的推理链, 运用有关推理的知识(元知识)检查导出结论的精度、一致性和合理性, 甚至提出一些证据来解释或证明它的推理；专家系统具有灵活性, 它能够通过知识库的扩充和更新提高求解专门问题的水平或适应环境对象的某些变化,通过与系统用户的交互使自身的性能得到评价和监护。 3，专家系统适合解决的实际问题 专家系统是人工智能的一个应用，但由于其重要性及相关应用系统之迅速发展，它已是信息系统的一种特定类型。专家系统一词系由以知识为基础的专家系统(knowledge-based expert system)而来，此种系统应用计算机中储存的人类知识，解决一般需要用到专家才能处理的问题，它能模仿人类专家解决特定问题时的推理过程，因而可供非专家们用来增进问题解决的能力，同时专家们也可把它视为具备专业知识的助理。由于在人类社会中，专家资源确实相当稀少，有了专家系统，则可使此珍贵的专家知识获得普遍的应用。 专家系统技术广泛应用在工程、科学、医药、军事、商业等方面，而且成果相当丰硕，甚至在某些应用领域，还超过人类专家的智能与判断。其功能应用领 模糊数学方法及其应用论文题目：模糊聚类方法案例分析 小组成员： 王季光宋申辉兰洁 陈倩芸肖仑杨洋 吴云峰 2013年10 月27 日 模糊聚类分析方法 1.1距离和相似系数 为了将样品（或指标）进行分类，就需要研究样品之间关系。目前用得最多的方法有两个：一种方法是用相似系数，性质越接近的样品，它们的相似系数的绝对值越接近1，而彼此无关的样品，它们的相似系数的绝对值越接近于零。比较相似的样品归为一类，不怎么相似的样品归为不同的类。另一种方法是将一个样品看作P 维空间的一个点，并在空间定义距离，距离越近的点归为一类，距离较远的点归为不同的类。但相似系数和距离有各种各样的定义，而这些定义与变量的类型关系极大，因此先介绍变量的类型。 由于实际问题中，遇到的指标有的是定量的（如长度、重量等），有的是定性的（如性别、职业等），因此将变量（指标）的类型按以下三种尺度划分： 间隔尺度：变量是用连续的量来表示的，如长度、重量、压力、速度等等。在间隔尺度中，如果存在绝对零点，又称比例尺度，本书并不严格区分比例尺度和间隔尺度。 有序尺度：变量度量时没有明确的数量表示，而是划分一些等级，等级之间有次序关系，如某产品分上、中、下三等，此三等有次序关系，但没有数量表示。 名义尺度：变量度量时、既没有数量表示，也没有次序关系，如某物体有红、黄、白三种颜色，又如医学化验中的阴性与阳性，市场供求中的“产”和“销”等。 不同类型的变量，在定义距离和相似系数时，其方法有很大差异，使用时必须注意。研究比较多的是间隔尺度，因此本章主要给出间隔尺度的距离和相似系数的定义。 设有n 个样品，每个样品测得p 项指标（变量），原始资料阵为 p x x x np n n p p n x x x x x x x x x X X X X 2 122221112 112 1 21 ? ? ??????????? ?= 其中(1,,;1,,) ij x i n j p == 为第i 个样品的第j 个指标的观测数据。第i 个样 品 i X 为矩阵X 的第i 行所描述，所以任何两个样品XK 与XL 之间的相似性，可 以通过矩阵X 中的第K 行与第L 行的相似程度来刻划；任何两个变量K x 与 L x 之 间的相似性，可以通过第K 列与第L 列的相似程度来刻划。 1.2 F 相似关系 1. 2.1定义 设)(U U F R ?∈，如果具有自反和对称关系，则称R 为U 上的一个F 相似关 专业：信息与计算科学 姓名： 学号： 实验一 模糊聚类分析 实验目的： 掌握数据文件的标准化，模糊相似矩阵的建立方法，会求传递闭包矩阵；会使用数学软件MATLAB 进行模糊矩阵的有关运算 实验学时：4学时 实验内容： ⑴ 根据已知数据进行数据标准化. ⑵ 根据已知数据建立模糊相似矩阵，并求出其传递闭包矩阵. ⑶ (可选做)根据模糊等价矩阵绘制动态聚类图. ⑷ (可选做)根据原始数据或标准化后的数据和⑶的结果确定最佳分类. 实验日期：20017年12月02日 实验步骤： 1 问题描述： 设有8种产品，它们的指标如下： x 1 = (37,38,12,16,13,12) x 2 = (69,73,74,22,64,17) x 3 = (73,86,49,27,68,39) x 4 = (57,58,64,84,63,28) x 5 = (38,56,65,85,62,27) x 6 = (65,55,64,15,26,48) x 7 = (65,56,15,42,65,35) x 8 = (66,45,65,55,34,32) 建立相似矩阵，并用传递闭包法进行模糊聚类。 2 解决步骤： 2.1 建立原始数据矩阵 设论域},,{21n x x x X 为被分类对象，每个对象又有m 个指标表示其性状， im i i i x x x x ,,,21 ，n i ,,2,1 由此可得原始数据矩阵。 于是，得到原始数据矩阵为 323455654566356542155665482615645565276285655638 286384645857396827498673176422747369121316123837X 其中nm x 表示第n 个分类对象的第m 个指标的原始数据，其中m = 6，n = 8。 2.2 样本数据标准化 2.2.1 对上述矩阵进行如下变化，将数据压缩到[0,1]，使用方法为平移极差变换和最大值规格化方法。 （1）平移极差变换： 111min{}max{}min{}ik ik i n ik ik ik i n i n x x x x x ，(1,2,,)k m L 显然有01ik x ，而且也消除了量纲的影响。 （2）最大值规格化： j ij ij M x x '，),,max (21nj j j j x x x M 2.2.2 使用Matlab 实现代码： 模糊聚类分析法及其应用 （汽车学院钟锐 2011122071） 摘要模糊聚类分析方法是一种多元统计分析方法, 它通过多个指标将样本划分为若干类, 这种分类方法能很好地应用于交通规划、交通流分析、安全评价等多个方面。文章以交通调查的选择为例说明了模糊聚类分析在规划过程中的具体应用, 并分析了模糊聚类分析在交通规划其他方面的应用。在交通调查中, 可利用模糊聚类分析将交通分区按工业、居住、公建、道路绿化广场等各项用途来进行分类。可相应减少同类交通分区的相似调查工作量。 关键词模糊聚类分析; 交通规划; 交通调查 1 问题的提出 交通规划旨在确定公路和城市道路交通建设的发展目标, 设计达到这些目 标的策略、过程与方案。交通规划包括目标确定、组织工作、数据调查、相关基本模型分析、分析预测、方案设计、方案评价、方案实施过程中的信息反馈和修改等工作阶段。在交通规划的很多阶段, 需要进行分类。例如可将众多的交通小区划分成几大类, 将具有相似特性的交通小区归于一类, 可以减少调查的工作量; 对线路网络进行分析评价时, 也需要进行分类。单一的指标往往不能全面反映交通分区之间的关系, 需要用多个指标来进行。在分类方法中,聚类分析是一种应用很广泛的方法, 它在交通规划领域应用较多。 2 聚类分析方法 聚类分析取意于“人以群分, 物以类聚”的俗语, 即将一组事物根据其性质上亲疏远近的程度进行分类, 把性质相近的个体归为一类, 使得同一类中的个体具有高度的同质性, 不同类之间的个体具有高度的异质性。为使分类合理, 必须描述个体之间的亲疏程度。对此, 通常有距离法、相关系数法等方法。距离法是将每个样本看成m( m 为统计指标的个数) 维空间的一个点, 在m 维空间中定义点与点之间的某种距离; 相关系数法是用某种相似系数来描述样本之间的关系, 如相关系数。聚类的方法有很多, 如系统聚类法、模糊聚类法、分裂法、 基于聚类和遗传算法的解释性模糊模型设计 张 永 胡维礼 ( 南京理工大学自动化学院 提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法 给出了模糊模型解释性的 必要条件 采用多目标遗传算法优化模糊模型 采用该方法对 Mackey-Glass 系统进行建模 关键词 模糊聚类 精确性 Design of Interpretable Fuzzy Model Based on Clustering and Genetic Algorithm ZHANG Yong, XING Zongyi, XIANG Zhengrong, HU Weili (School of Automation, Nanjing University of Science and Technology, Nanjing 210094) Key words è?1¤???ü?°ê?±e??ê?3428(2007)08 03 文献标识码 TP273 1 概述 随着建模问题的维数和复杂性的提高 而相关数据却相对容易 获得在近年来成 为研究的热点 [1,2] ?÷òa°üà¨?￡oy??àà·¨ [1] ?aD?·?·¨í¨3￡????à?ó?á? ?￡oy?￡Dííò?ü±??ü?÷μ?1|?ü ′ó??μ?μ?μ??￡oy?￡Dío?óD′óá? μ?è?óàD??￠ 为了提高模糊模型的解释性 然后利用模糊集 合相似性度量和相似性奖励遗传算法对模型进行迭代简化 对模糊模型的参数利用神经网 络进行学习 实现了精确性和解 释性的模糊建模 首先利用模糊聚类的方法辨识初始的 模糊模型的前件参数然后 利用遗传算法对模糊模型的结构和参数进行优化 实现精确性和解释性的模糊建模 仿真结果验证了方法的 有效性 这是一种被广泛使用的模糊模型 022112211?:i n in i i i in n i i i a x a x a x a y Then is x and and is x and is x If R ++++=L L μμμ (1) 其中R i 表示第 i 条模糊规则 u ij 为定义在输 入论域中的隶属函数 2.2 精确性与解释性 对于TS 模糊模型 2 1 ) ?(1i N i i RMSE y y N J ?= ∑= (3) 其中 i y 为系统实际输出矢量 N 为采样 数据对个数解释性是模糊模 型的主观特性模糊系统的解释性 基金项目 张 永 (1969 男模糊建模 邢宗义 副教授 2006-04-21 E-mail 基于聚类的遗传算法解决旅行商问题 摘要：遗传算法（GA）是解决旅行商问题（TSPs）的有效方法，然而，传统的遗传算法（CGA）对大规模旅行商问题的求解效果较差。为了克服这个问题，本文提出了两种基于聚类的改进的遗传算法，以寻找TSPs的最佳结果。它的主要过程是聚类、组内演进和组间连接操作。聚类包括两种方法来将大规模TSP划分为若干子问题，一种方法是k-均值（k-means）聚类算法，另一种是近邻传播（AP）聚类算法。每个子问题对应于一个组。然后我们使用GA找出每个子问题的最短路径长度。最后，我们设计一个有效的连接方法将所有这些组合成为一个，以得到问题的结果。我们尝试在基准实例上运行一组实验，用来测试基于k-means 聚类（KGA）和基于AP聚类（APGA）遗传算法的性能。实验结果表明了它们有效性和高效的性能。将结果与其他聚类遗传算法进行比较，表明KGA和APGA具有更强的竞争力和有效性。 关键词：大规模旅行商问题；遗传算法；聚类；k-means聚类；AP聚类 一、引言 旅行商问题（TSP ）是在所有城市搜索最短哈密尔顿路线的问题。TSP 是众所周知的NP-hard 问题。它有许多现实世界的应用[1,2]，如规划调度、物流配送、计算机网络和VLSI 路由。近年来研究人员已经研究了不同类型的TSP [3-6]。 TSP 问题可以用如下方式描述：有N 座城市，给出城市之间的距离矩阵为 () d ij N N D ?=。TSP 问题的要求是从所有路径中找到最短路径。如果()i π被定义 为在步骤 ( 1,,)i i N = 中访问的城市，则路线可以被看作城市从1到N 的循环排列。路线的表达式如下： 1 ()(1)()(1)1 minimize N i i N i f d d πππππ-+== +∑ （1） 如果对于1i j N ≤≤、，距离满足d d ij ji = ，则这种情况是对称TSP 。 TSP 可以模型化为加权图。每个顶点代表一个城市，每个边缘连接两个城市。 边的权重表示两个相连的城市之间的距离。现在一个TSP 问题实际上是一个哈密尔顿回路，最优的TSP 路径是最短的哈密顿回路。 用于求解TSP 的算法可以概括为两类，精确算法和启发式算法。精确的算法确保最终解决方案是最优的。分支切割算法是这一类中的典型示例[7,8]。这些算法的关键问题是它们相当复杂，并且在计算机性能方面非常苛刻[9]。自引入模拟退火[10]和禁忌搜索[11]以来，启发式算法有可能突破局限，从而找到路径的局部最优解。在过去的二十年中，提出了大量的自然启发或群体智能方法，例如蚁群算法[12,13]，粒子群算法[14]和遗传算法[15,16]来解决TSP 问题 。 遗传算法（GA ）是一种通过模拟自然演化过程来搜索最优解解决大规模搜索问题（例如TSP 问题）的有效方法，GA 的目的是通过几个遗传操作，如选择、交叉和突变获得大规模搜索问题的近似解。与其他精确搜索算法相比，其优点主要是通过使用群体的信息而不是仅仅一个个体来实现搜索[5]。除了上述内容之外，GA 通过适应度函数的数值来评估个体的质量，减少当使用启发式算法时被浸入在局部最优解中的风险。 虽然GA 是解决TSPs 的有效方法，但是，随着旅行城市的数量增长，经典遗传算法效果较差。为了使TSP 问题变得更容易并且可以有效地解决大规模TSP ， 遗传算法改进的模糊C-均值聚类MATLAB源代码 模糊C-均值算法容易收敛于局部极小点，为了克服该缺点，将遗传算法应用于模糊C-均值算法(FCM)的优化计算中，由遗传算法得到初始聚类中心，再使用标准的模糊C-均值聚类算法得到最终的分类结果。 function [BESTX,BESTY,ALLX,ALL Y]=GAFCM(K,N,Pm,LB,UB,D,c,m) %% 此函数实现遗传算法，用于模糊C-均值聚类 % GreenSim团队——专业级算法设计&代写程序 % 欢迎访问GreenSim团队主页→https://www.doczj.com/doc/8514001344.html,/greensim %% 输入参数列表 % K 迭代次数 % N 种群规模，要求是偶数 % Pm 变异概率 % LB 决策变量的下界，M×1的向量 % UB 决策变量的上界，M×1的向量 % D 原始样本数据，n×p的矩阵 % c 分类个数 % m 模糊C均值聚类数学模型中的指数 %% 输出参数列表 % BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优个体 % BESTY K×1矩阵，记录每一代的最优个体的评价函数值 % ALLX K×1细胞结构，每一个元素是M×N矩阵，记录全部个体 % ALL Y K×N矩阵，记录全部个体的评价函数值 %% 第一步： M=length(LB);%决策变量的个数 %种群初始化，每一列是一个样本 farm=zeros(M,N); for i=1:M x=unifrnd(LB(i),UB(i),1,N); farm(i,:)=x; end %输出变量初始化 ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体 ALL Y=zeros(K,N);%K×N矩阵，记录每一代评价函数值 BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体 BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值 k=1;%迭代计数器初始化 %% 第二步：迭代过程 while k<=K %% 以下是交叉过程 newfarm=zeros(M,2*N); Ser=randperm(N);%两两随机配对的配对表 5.2酿酒葡萄的等级划分 5.2.1葡萄酒的质量分类 由问题1中我们得知，第二组评酒员的的评价结果更为可信，所以我们通过第二组评酒员对于酒的评分做出处理。我们通过excel计算出每位评酒员对每支酒的总分，然后计算出每支酒的10个分数的平均值，作为总的对于这支酒的等级评价。 通过国际酿酒工会对于葡萄酒的分级，以百分制标准评级，总共评出了六个级别（见表5）。 在问题2的计算中，我们求出了各支酒的分数，考虑到所有分数在区间[61.6，81.5]波动，以原等级表分级，结果将会很模糊，不能分得比较清晰。为此我们需要进一步细化等级。为此我们重新细化出5个等级，为了方便计算，我们还对等级进行降序数字等级（见表6）。 通过对数据的预处理，我们得到了一个新的关于葡萄酒的分级表格（见表7）： 考虑到葡萄酒的质量与酿酒葡萄间有比较之间的关系，我们将保留葡萄酒质量对于酿酒葡萄的影响，先单纯从酿酒葡萄的理化指标对酿酒葡萄进行分类，然后在通过葡萄酒质量对酿酒葡萄质量的优劣进一步进行划分。 5.2.2建立模型 在通过酿酒葡萄的理化指标对酿酒葡萄分类的过程，我们用到了聚类分析方法中的ward 最小方差法，又叫做离差平方和法。 聚类分析是研究分类问题的一种多元统计方法。所谓类，通俗地说，就是指相似元素的集合。为了将样品进行分类，就需要研究样品之间关系。这里的最小方差法的基本思想就是将一个样品看作P 维空间的一个点，并在空间的定义距离，距离较近的点归为一类；距离较远的点归为不同的类。面对现在的问题，我们不知道元素的分类，连要分成几类都不知道。现在我们将用SAS 系统里面的stepdisc 和cluster 过程完成判别分析和聚类分析，最终确定元素对象的分类问题。 建立数据阵，具体数学表示为： 1111...............m n nm X X X X X ????=?????? （5.2.1） 式中，行向量1(,...,)i i im X x x =表示第i 个样品； 列向量1(,...,)'j j nj X x x =’，表示第j 项指标。(i=1,2,…,n;j=1,2,…m) 接下来我们将要对数据进行变化，以便于我们比较和消除纲量。在此我们用了使用最广范的方法，ward 最小方差法。其中用到了类间距离来进行比较，定义为： 2||||/(1/1/)kl k l k l D X X n n =-+ （5.2.2） Ward 方法并类时总是使得并类导致的类内离差平方和增量最小。 系统聚类数的确定。在聚类分析中，系统聚类最终得到的一个聚类树，如何确定类的个数，这是一个十分困难但又必须解决的问题；因为分类本身就没有一定标准，人们可以从不同的角度给出不同的分类。在实际应用中常使用下面几种 一种在复杂网络中发现社区的多目标遗传算法 Clara Pizzuti 摘要——本文提出了一种揭示复杂网络社区结构的多目标遗传算法。该算法优化了两个目标函数，这些函数能够识别出组内节点密集连接，而组间连接稀疏。该方法能产生一系列不同等级的网络社区，其中解的等级越高，由更多的社区组成，被包含在社区较少的解中。社区的数量是通过目标函数更佳的折衷值自动确定的。对合成和真实网络的实验，结果表明算法成功地检测到了网络结构，并且能与最先进的方法相比较。 关键词：复杂网络，多目标聚类，多目标进化算法 1、简介 复杂网络构成了表示组成许多真实世界系统的对象之间关系的有效形式。协作网络、因特网、万维网、生物网络、通信传输网络，社交网络只是一些例子。将网络建模为图，节点代表个体，边代表这些个体之间的联系。 复杂网络研究中的一个重要问题是社区结构[25]的检测，也被称作为聚类[21]，即将一个网络划分为节点组，称作社区或簇或模块，组内连接紧密，组间连接稀疏。这个问题，如[21]指出，只有在建模网络的图是稀疏的时候才有意义，即边的数量远低于可能的边数，否则就类似于数据簇[31]。图的聚类不同于数据聚类，因为图中的簇是基于边的密度，而在数据聚类中，它们是与距离或相似度量紧密相关的组点。然而，网络中社区的概念并未严格定义，因为它的定义受应用领域的影响。因此，直观的理解是同一社区内部边的数量应该远多于连接图中剩余节点的边的数量，这构成了社区定义的一般建议。这个直观定义追求两个不同的目标：最大化内部连接和最小化外部连接。 多目标优化是一种解决问题的技术，当多个相互冲突的目标被优化时，成功地找到一组解。通过利用帕累托最优理论[15]获得这些解，构成了尽可能满足所有目标的全局最优解。解决多目标优化问题的进化算法取得成功，是因为它们基于种群的特性，同时产生多个最优解和一个帕累托前沿[5]的优良近似。 因此，社区检测能够被表述为多目标优化问题，并且帕累托最优性的框架可以提供一组解对应于目标之间的最佳妥协以达到最优化。事实上，在上述两个目标之间有一个折衷，因为当整个网络社区结构的外部连接数量为空时，那它就是最小的，然而簇密度不够高。 在过去的几年里，已经提出了许多方法采用多目标技术进行数据聚类。这些方法大部分在度量空间[14], [17],[18], [28], [38], [39], [49], [51]聚集目标，虽然[8]中给出了分割图的一个方法，并且在[12]中描述了网络用户会议的一个图聚类算法。 本文中，一个多目标方法，名为用于网络的多目标遗传算法(MOGA-Net)，通过利用提出的遗传算法发现网络中的社区。该方法优化了[32]和[44]中介绍的两个目标函数，它们已被证实在检测复杂网络中模块的有效性。第一个目标函数利用了community score的概念来衡量对一个网络进行社区划分的质量。community score值越高，聚类密度越高。第二个目标函数定义了模块中节点fitness的概念，并且反复迭代找到节点fitness总和最大的模块，以下将这个目标函数称为community fitness。当总和达到最大时，外部连接是最小。两个目标函数都有一个正实数参数控制社区的规模。参数值越大，找到的社区规模越小。MOGA-Net利用这两个函数的优点，通过有选择地探索搜寻空间获得网络中存在的社区，而不需要提前知道确切的社区数目。这个数目是通过两个目标之间的最佳折衷自动确定的。 多目标方法的一个有趣结果是它提供的不是一个单独的网络划分，而是一组解。这些解中的每一个都对应两个目标之间不同的折衷，并对应多种网络划分方式，即由许多不同簇组成。对合成网络和真实网络的实验表明，这一系列帕累托最优解揭示了网络的分层结构，其中簇的数目较多的解包含在社区数目较少的解中。多目标方法的这个特性提供了一个很好的机会分析不同层级模糊聚类分析方法汇总
比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题
模糊聚类案例分析
模糊聚类分析实验报告
模糊聚类法
基于聚类和遗传算法的解释性模糊模型设计
基于聚类的遗传算法解决旅行商问题
17遗传算法改进的模糊C-均值聚类MATLAB源代码
聚类分析报告实例分析报告题
多目标遗传算法中文【精品毕业设计】(完整版)
相关主题
文本预览