模糊聚类算法

Ⅰ 数学建模中模糊聚类分析法的优缺点

数学建模中模糊聚类分析法优点：聚类分析模型的优点就是直观，结论形式简明。 缺点：在样本量较大时，要获得聚类结论有一定困难。
由于相似系数是根据被试的反映来建立反映被试间内在联系的指标， 而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系，但事物之间却无任何内在联系，此时，如果根据距离或相 似系数得出聚类分析的结果，显然是不适当的，但是，聚类分析模型本身却无法识别这类错误。
模糊聚类分析是根据客观事物间的特征、亲疏程度、相似性，通过建立模糊相似关系对客观事物进行聚类的分析方法。

模糊划分矩阵有无穷多个，这种模糊划分矩阵的全体称为模糊划分空间。最优分类的标准是样本与聚类中心的距离平方和最小。因为一个样本是按不同的隶属度属于各类的，所以应同时考虑它与每一类的聚类中心的距离。逐步聚类法需要反复迭代计算，计算工作量很大，要在电子计算机上进行。算出最优模糊划分矩阵后，还必须求得相应的常规划分。此时可将得到的聚类中心存在计算机中，将样本重新逐个输入，去与每个聚类中心进行比较，与哪个聚类中心最接近就属于哪一类。
这种方法要预先知道分类数，如分类数不合理，就重新计算。这就不如运用基于模糊等价关系的系统聚类法，但可以得到聚类中心，即各类模式样本，而这往往正是所要求的。因此可用模糊等价关系所得结果作为初始分类，再通过反复迭代法求得更好的结果。

Ⅱ 模糊聚类算法为什么要求 模糊相似矩阵

模糊聚类分析一般是指根据研究对象本身的属性来构造模糊矩阵，并在此基础上根据一定的隶属度来确定聚类关系，即用模糊数学的方法把样本之间的模糊关系定量的确定，从而客观且准确地进行聚类。聚类就是将数据集分成多个类或簇，使得各个类之间的数据差别应尽可能大，类内之间的数据差别应尽可能小，即为“最小化类间相似性，最大化类内相似性”原则

Ⅲ 模糊c-均值聚类算法的应用

模糊聚类分析作为无监督机器学习的主要技术之一，是用模糊理论对重要数据分析和建模的方法，建立了样本类属的不确定性描述，能比较客观地反映现实世界，它已经有效地应用在大规模数据分析、数据挖掘、矢量量化、图像分割、模式识别等领域，具有重要的理论与实际应用价值，随着应用的深入发展，模糊聚类算法的研究不断丰富。

Ⅳ 模糊聚类法

模糊聚类方法包括传递闭包法、最大树法、编网法、基于摄动的模糊聚类方法、模糊C-均值方法等。模糊聚类分析己广泛应用于经济学、生物学、气象学、信息科学、工程技术科学等许多领域。

Ⅳ k均值聚类算法、c均值聚类算法、模糊的c均值聚类算法的区别

k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；
模糊的c均值聚类算法：-------- 一种模糊聚类算法，是k均值聚类算法的推广形式，隶属度取值为[0 1]区间内的任何一个数，提出的基本根据是“类内加权误差平方和最小化”准则；
这两个方法都是迭代求取最终的聚类划分，即聚类中心与隶属度值。两者都不能保证找到问题的最优解，都有可能收敛到局部极值，模糊c均值甚至可能是鞍点。
至于c均值似乎没有这么叫的，至少从我看到文献来看是没有。不必纠结于名称。如果你看的是某本模式识别的书，可能它想表达的意思就是k均值。
实际上k-means这个单词最先是好像在1965年的一篇文献提出来的，后来很多人把这种聚类叫做k均值。但是实际上十多年前就有了类似的算法，但是名字不一样，k均值的历史相当的复杂，在若干不同的领域都被单独提出。追寻算法的名称与历史没什么意义，明白具体的实现方法就好了。

Ⅵ 模糊聚类法的特点

由于模糊聚类得到了样本属于各个类别的不确定性程度，表达了样本类属性的中介性，即建立起了样本对于类别的不确定性描述，更能客观的反映实际事物，从而成为聚类分析研究的主流。
模糊聚类分析所讨论的对象，事先没有给定任何模式供分类参考，要求按照样本各自的属性特征加以分类。

Ⅶ 模糊聚类应用

我帮楼主查了一些文献，由于这里篇幅有限，就只能把题目提供一下，如果需要详细的文献，请发消息给我：）

在数据分类中，常用的分类方法有多元统计中的系统聚类法〔‘”、模糊聚类分析[2]等.在模糊聚类分析中，首先要计算模糊相似矩阵，而不同的模糊相似矩阵会产生不同的分类结果;即使采用相同的模糊相似矩阵，不同的阑值也会产生不同的分类结果.“如何确定这些分类的有效性”便成为模糊聚类和模糊
识别研究中的一个重要问题.文献【3一5”把有效性不满意的原因归结于数据集几何结构的不理想.但笔者认为，不同的几何结构是对实际需要的反映，我们不能排除实际需要而追求所谓的“理想几何结构”，不理想的分类不应归因于数据集的几何结构.针对同一模糊相似矩阵，文献【2,6〕建立了确定模糊聚类有效性的方法.文献【2”用固定的显着性水平，在不同分类的F一统计量和F检验临界值的差中选最大者，即为有效分类.但是，当显着性水平变化时，此方法的结果也会变化.文献〔2〕引进了一种模糊划分嫡来评价模糊聚类的有效性，并人为规定当两类的嫡大于一数时，此两类可合并，通过逐次合并，最终得到有效分类.此方法人为干预较多，当这个规定数不同时，也会得到不同的结果.另外这两种方法也未比较不同模糊相似矩阵的分类结果.

现列举一些应用：
1.模糊聚类分析法在分析数据评估上的应用

2.模糊聚类分析在领口性能评价系统中的应用

3.花椒园棉蚜及其捕食性天敌动态的模糊聚类分析

4.南美斑潜蝇及其寄生蜂种群动态的模糊聚类分析

5.长三角城市经济发展的模糊聚类分析

6.模糊聚类分析在沥青路面养护路段划分中的应用

7.基于模糊聚类分析的冷连轧负荷分配修正

8.城市防空中目标优化分配的模糊聚类分析

9.抚河流域水环境质量模糊聚类分析

10.模糊聚类分析在经销商选择评估中的应用

Ⅷ 模糊聚类分析法和聚类分析法有什么区别，还有一种动态模糊分析法，它比模糊分析法有什么样的改进。

模糊聚类分析是聚类分析的一种。聚类分析按照不同的分类标准可以进行不同的分类。就好像人按照性别可以分成男人和女人，按照年龄可以分为老中青一样。聚类分析如果按照隶属度的取值范围可以分为两类，一类叫硬聚类算法，另一类就是模糊聚类算法。隶属度的概念是从模糊集理论里引申出来的。传统硬聚类算法隶属度只有两个值 0 和 1。 也就是说一个样本只能完全属于某一个类或者完全不属于某一个类。举个例子，把温度分为两类，大于10度为热，小于或者等于10度为冷，这就是典型的“硬隶属度”概念。 那么不论是5度 还是负100度都属于冷这个类，而不属于热这个类的。而模糊集里的隶属度是一个取值在[0 1]区间内的数。一个样本同时属于所有的类，但是通过隶属度的大小来区分其差异。比如5度，可能属于冷这类的隶属度值为0.7,而属于热这个类的值为0.3。这样做就比较合理，硬聚类也可以看做模糊聚类的一个特例。你说的动态模糊分析法我在文献里很少见到好像并不主流，似乎没有专门的这样一种典型聚类算法，可能是个别人根据自己需要设计并命名的一种针对模糊聚类的改进方法，这个不好说了就。我见过有把每个不同样本加权的，权值自己确定，这样就冠以“动态"二字，这都是作者自己起的。也有别的也叫”动态“的，可能也不一样，似乎都是个别人自己提出的。至于文献，你可以到中国知网搜索博士或者硕士毕业论文，有关模糊聚类为题目的，在第一章引言里面必然会有详细的介绍，或者联系我，我就是做这方面的。希望能对你有所帮助，给点分吧，打的挺累的。