模糊聚類的組合方法及其應(yīng)用研究.pdf

1、數(shù)據(jù)分析是探索現(xiàn)實世界的一門重要學(xué)科,數(shù)據(jù)聚類是數(shù)據(jù)分析的一個有效工具,基于不同理論與方法的聚類方法層出不窮。模糊聚類方法因其能量化模式問的不確定關(guān)系,已經(jīng)發(fā)展成為數(shù)據(jù)聚類領(lǐng)域的一個重要分支?？v觀國內(nèi)外文獻,國內(nèi)外學(xué)者通常用單個模糊聚類方法對數(shù)掘進行聚類,聯(lián)合多個模糊聚類方法共同對數(shù)據(jù)進行聚類的研究工作,即組合模糊聚類方法的研究,尚未受到應(yīng)有的重視,迄今為止,只有Evgenia Dimitriadou等人、Gordon, A.D.與Vi

2、chi M.于2002年分別提出了一個模糊聚類的組合模型。本文在前人的研究基礎(chǔ)上,主要研究模糊聚類的組合模型,取得了一些探索性成果,旨在進一步推進組合模糊聚類方法的研究工作。
　　 (1)本文首次提出了一個聯(lián)合多對模糊聚類有效性指標(biāo)與模糊聚類算法共同識別聚類數(shù)的新方法。仿真實驗表明,該方法明顯優(yōu)于應(yīng)用單對模糊聚類有效性指標(biāo)與模糊聚類算法識別聚類數(shù)的傳統(tǒng)方法。
　　 (2)所有的模糊聚類算法幾乎都需要使用者提供初始聚類中心

3、,而初始聚類中心對模糊聚類的結(jié)果有著直接的影響。本文應(yīng)用最小支撐樹原理,設(shè)計了一個聚類中心初始化算法,該算法較其它聚類中心初始化算法,更能提高模糊聚類的模式識別率。
　　 (3)當(dāng)數(shù)據(jù)集合的聚類數(shù)已知時,不同的模糊聚類算法在同一個數(shù)據(jù)集合上常常產(chǎn)生不同的模糊聚類,而且,沒有哪一個模糊聚類方法在任何情況下總能產(chǎn)生較好的聚類結(jié)果。為解決這一問題,本文應(yīng)用多個模糊聚類方法在同一個數(shù)據(jù)集合上產(chǎn)生不同的模糊聚類,然后,以多個模糊聚類有效性

4、指標(biāo)為評價指標(biāo),應(yīng)用層次分析法對它們進行綜合評價,從中選出一個最優(yōu)的模糊聚類,由此提出了一個模糊聚類優(yōu)選模型。仿真實驗表明,該模型能選擇模式識別率最高的模糊聚類為最優(yōu)模糊聚類。
　　 (4)模糊聚類優(yōu)選模型雖然能從同一數(shù)據(jù)集合上的一組模糊聚類中選出最優(yōu)者,但是,當(dāng)它們都不是理想的模糊聚類時,即使選出了最優(yōu)者也得不到好的聚類結(jié)果。模糊聚類優(yōu)選模型自身無法解決這一問題,為此,本文首先提出了一個基于KNN的類的匹配算法,以此建立來自于

5、不同模糊聚類的類與類間的對應(yīng)關(guān)系,然后,分別將傳統(tǒng)的多數(shù)票法則,模式識別率與加權(quán)多數(shù)票法則推廣為模糊多數(shù)票法則、模糊模式識別率與模糊加權(quán)多數(shù)票法則,最后,分別將模糊簡單多數(shù)票法則、模糊加權(quán)多數(shù)票法則與基于KNN的類的匹配算法相結(jié)合,提出了兩個模糊聚類的組合模型。仿真實驗表明,本文提出的模糊聚類組合模型能結(jié)合多數(shù)模糊聚類的優(yōu)勢,克服其不足,產(chǎn)生優(yōu)于參與組合的所有模糊聚類的組合模糊聚類。
　　 (5)研究了組合模糊聚類方法在彩色圖像

6、分割與系統(tǒng)辨識方面的應(yīng)用。彩色圖像分割的仿真實驗表明,基于模糊加權(quán)多數(shù)票法則的模糊聚類組合方法能結(jié)合參與組合的多數(shù)單個模糊聚類的優(yōu)勢,克服其不足,在各種情況下都能產(chǎn)生理想的分割效果。綜合應(yīng)用本文提出的聚類中心初始化方法、聚類數(shù)的識別方法、模糊聚類的組合模型,以及模糊聚類的優(yōu)選模型辨識T-S模型的前件,再應(yīng)用最小二乘法辨識T-S模型的后件,由此建立的T-S模型能準(zhǔn)確地辨識非線性系統(tǒng)。仿真實驗表明,應(yīng)用組合模糊聚類方法辨識T-S模型的前件,