如何在Matlab中进行模糊聚类分析

matlab数学建模100例

Matlab是一种强大的数学建模工具，广泛应用于科学研究、工程设计和数据分析等领域。在这篇文章中，我们将介绍100个使用Matlab进行数学建模的例子，帮助读者更好地理解和应用这个工具。

1. 线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合直线。

2. 多项式拟合：使用Matlab拟合一组数据点，得到最佳拟合多项式。

3. 非线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合曲线。

4. 插值模型：使用Matlab根据已知数据点，估计未知数据点的值。

5. 数值积分：使用Matlab计算函数的定积分。

6. 微分方程求解：使用Matlab求解常微分方程。

7. 矩阵运算：使用Matlab进行矩阵的加减乘除运算。

8. 线性规划：使用Matlab求解线性规划问题。

9. 非线性规划：使用Matlab求解非线性规划问题。

10. 整数规划：使用Matlab求解整数规划问题。

11. 图论问题：使用Matlab解决图论问题，如最短路径、最小生成树等。

12. 网络流问题：使用Matlab解决网络流问题，如最大流、最小费用流等。 13. 动态规划：使用Matlab解决动态规划问题。

14. 遗传算法：使用Matlab实现遗传算法，求解优化问题。

15. 神经网络：使用Matlab实现神经网络，进行模式识别和预测等任务。

16. 支持向量机：使用Matlab实现支持向量机，进行分类和回归等任务。

17. 聚类分析：使用Matlab进行聚类分析，将数据点分成不同的类别。

18. 主成分分析：使用Matlab进行主成分分析，降低数据的维度。

19. 时间序列分析：使用Matlab进行时间序列分析，预测未来的趋势。

20. 图像处理：使用Matlab对图像进行处理，如滤波、边缘检测等。

21. 信号处理：使用Matlab对信号进行处理，如滤波、频谱分析等。

22. 控制系统设计：使用Matlab设计控制系统，如PID控制器等。

ＭＡＴＬＡＢ在模糊数学教学中应用示例　杨春志　梁常建ｚ　（１淮南师范学院数计系，安徽淮南２３２０３８；２商丘师范学院数学系，河南商丘４７６０００）　摘　要：作者探讨了在模糊数学教学中运用ＭＡＴＬＡＢ软　件来辅助课程教学的方法，并以示例积极推进可视化教学，提　高了教学质量。其结果表明教学效果明显．　关键词：ＭＡＴＬＡＢ模糊数学　教学效果　自１９６５年扎德（ＬＡ．ｚａｄｅｈ）提出“模糊集合”的概念，模糊　数学便作为一门新的数学学科诞生了．近五十年来，它的发展　非常迅速，应用十分广泛．其理论和应用涉及社会科学、自然　科学和思维科学诸多领域．在上世纪九十年代，国外应用模糊　数学原理研制和推出了首批模糊家用电器，而现在．模糊洗衣　机、模糊吸尘器、模糊电饭煲、模糊空调机等已进入了国外千　家万户．部分产品进入我国国内，由此可见．其应用前景是举　世瞩目的．所以．学生学好模糊数学十分重要．另外，模糊数学　在培养学生辩证唯物主义的认识论、方法论，教学素养和应用　能力等方面也有着良好的教育功能．由于模糊数学本身是系　统化的．涉及的知识深广，使不少学生感到理论太复杂．太抽　象，对所学内容难把握，易产生畏难情绪，仅仅通过板书讲授　方式难以达到理想的教学效果．因而，加强实践教学是必不可　少的一个重要环节．随着高校教学手段的改革，多媒体辅助教　学法越来越受师生的欢迎，据统计，６０％以上的高校都愿接　受，其中数学软件ＭＡＴＬＡＢ是评价最高的有效的数值和工程　计算的软件．针对本科生课程的特点，结合ＭＡＴＬＡＢ语言所独　具的优势，本文着重介绍ＭＡＴＩＡＢ在模糊数学中的实际应用　示例，从而积极推进和改善可视化教学，强化教学效果．下面　给出详细示例．　一、利用ＭＡＴＬ　建立隶属度函数的辅助教学　隶属度是模糊集的基本概念．也是模糊控制的应用基础，　由此，正确构造隶属度函数是用好模糊控制的关键之一。而此　概念对学生而言是一个抽象的概念，在授课过程中．将基本概　念及原理给学生讲透的同时，充分利用计算机的表现能力会　将抽象的东西具体化、形象化．　例１．设某污染河水中酚的含量ｔ＝０．００１２ｍｇ／Ｌ．给定酚的水　质分级标准为：　试建立各级水的隶属度函数．　级别　ｌ　ｌ　ｌ　２　３　含量　１　０．００１　Ｉ　ｏ．０ｏ２　Ｏ．ｏ０３　Ｐｒｏｇｒａｍ：　ｃｌｅａｒ　ａｌｌ　Ｘ－－『０：０．００１：０．０１］：　ｙｌ＝ｔｒｉｍｆ（ｘ，［０，０．００１，０．００２］）；　ｓｕｂｐｌｏｔ（１，３，１）　ｐｌｏｔ（ｘ，ｙ１）；　ｙｆｉ＝ｔｒｉｍｆ（ｘ，［０．００１，０．００２，０．０１］）；　ｓｕｂｐｌｏｔ（１，３，２）　ｐｌｏｔ（ｘ，ｙ２）；　ｙ３＝ｔｒｉｍｆ（ｘ，［０．００２，Ｏ．叭，０．１，０．２］）；　ｓｕｂｐｌｏｔ（１，３，３）　ｐｌｏｔ（ｘ，ｙ３）　

聚类分析

聚类，或称分集，即所谓“物以类聚”，它是按某种相

似规则对给定样本集、指标簇进行某种性质的划分，使之成

为不同的类．

将数据抽象化为样本矩阵

()

ijnmXX

，

ijX表示第

i个样本的

第

j个变量的值．聚类目的，就是从数据出发，将样本或变

量分成类．其方法大致有如下几个．

（1） 聚类法．即谱系聚类法．将

n个样本看成

n类，将

性质最接近的两类并为一新类，得

1n类；再从

1n类中找出

最接近的两类加以合并，得

2n类；继之，最后所有样本都

成一类，得一聚类谱系，从谱系中可确定划分多少类，每类

含有哪些样本．

（2） 分解法．它是系统聚类的逆过程，将所有样本视

为一类，按某种最优准则将它分成两类，继之，每一类都分

到只含一个样本为止．

（3） 动态聚类．即快速聚类法．将

n个样本粗糙地分

成若干类，然后用某种最优准则进行调整，直至不能调整为

止．

（4） 有序样本聚类．按时间顺序，聚在一类的样本必

须是次序相邻的样本．

（5） 模糊聚类．它是将模糊数学用于样本聚类． （6） 运筹学聚类．它是将聚类问题化为线性规划、动

态规划、整数规划模型的聚类．

（7） 神经网络聚类．它是将样本按自组织特征映射的

方法进行，也是我们要加以叙述的一个重点．

（8） 预测中聚类．它是聚类在预测中的应用，以弥补

非稳定信号回归的预测与分析．

这里主要介绍谱系聚类法和快速聚类法．

一、距离定义

样本矩阵

()

ijnmXx

，是

m维空间中

n个点，以距离度量样

本之间的贴近度，就是距离聚类方法．最常用的第

i个与第

j

个样本的Minkowski距离为

pm

kp

jkikijxxd/1

1)||(



式中

p为一正整数．当

2p,

ijd就是欧几里德距离；当

1p，

ijd就是绝对距离，或称“布洛克（cityblock）”距离．而切

比雪夫距离为

||max

1jkik

mkijxxd



设

mmC

是变量的协方差矩阵，

ix,

jx为第

i行与第

j行

m个变

量构成的向量，则马哈兰罗比斯距离定义为

- 1 - 在线函数图像

在线函数图像(elliptic graph)，又称曲线拟合，是根据实测数据拟合出符合一定条件的函数曲线，以此来预测实测数据的分布。此方法通常用于统计分析中，常见的有偏最小二乘法、人工神经网络、模糊聚类等方法。以下我们利用matlab来实现一个简单的在线函数图像(elliptic graph)模型：

frac{1}{4} ; plot(&f(x,y)); for(i=1;i<=4;i++){"lm";}

考虑到时间限制，我们只考虑周期性随机数据点。以在周期函数(sin(3)/cos(3)=1， sin(5)/cos(5)=-1)上求取一个样本点作为原始数据，此外还加入一个时间戳0，所以原始数据如下： 1e-3n+1。从0开始计算周期函数的样本点集，首先要将样本点集合化成一个一维的随机向量。从样本点可以看出，函数y=sin(3)/cos(3)，若用高斯过程( i=1)，那么结果将是一个高斯白噪声，无法反映数据的真正情况，因此用lm判断这种情况，可得到以下误差值，其中标准差为：

fde(true， n)=10。当然可以使用更好的方法去解决这些问题。如果不考虑时间，那么我们就要对原始数据进行一系列变换：把数据每个元素转换成方便处理的格式。为了提高运算速度，可以将各个元素放入一个变量中。把原始数据和时间戳放入一个向量中。把变量乘以函数而得到输出数据。把原始数据与变量相乘而得到输出数据。把每个向量都除以原始数据后，把变量与原始数据相乘而得到输出数据。最后，要对原始数据进行滤波处理，以防止噪声对数据的影响。采用matlab绘图软件来处理可以完成函数图像的绘制。由于matlab内存 - 2 - 较大，我们可以同时绘制多幅函数图像，完成函数的绘制。