第二节模糊聚类方法数学建模探析.doc

第二节? 模糊聚类分析方法 模糊聚类分析，是从模糊集的观点来探讨事物的数量分类的一类方法。近年来，模糊聚类分析方法在地理分区与地理事物分类研究中得到了广泛地应用。本节，我们将主要介绍基于模糊等价关系与基于最大模糊支撑树的模糊聚类分析方法在地理分区和地理事物分类中的应用。 一、基于模糊等价关系的模糊聚类分析方法 基于模糊等价关系的模糊聚类分析方法的基本思想是：由于模糊等价关 上的一个普通等价关系，也就得到了关于U中被分类对象元素的一种分类。当λ由1下降到0时，所得的分类由细变粗，逐渐归并，从而形成一个动态 聚类分析方法中的一个关键性的环节。 (一)建立模糊等价关系 各个分类对象之间的相似性统计量，建立分类对象集合U上的模糊相似关系 1.模糊相似关系的建立关于各分类对象之间相似性统计量rij的计算，除了采用夹角余弦公式和相似系数计算公式(分别见第二章第三节中(10)和(11)式)以外，还可以采用如下几个计算公式。 (1)数量积法： 在(1)式中，M是一个适当选择之正数，一般而言，它应满足： (2)绝对值差数法： ? 在(2)式中，c为适当选择之正数，使0≤rij＜1(i≠j)。 (3)最大最小值法： (4)算术平均最小法： (5)绝对值指数法： (6)指数相似系数法： 在(6)式中，sk是第k个指标的方差，即 传递性，也就是说它并不是模糊等价关系。因此，为了聚类，我们必须采用 这样下去，就必然会存在一个自然数K，使得： 显然，对于第二章中表2-12所描述的九个农业区域，用夹角余弦公式计算所得的相似系数矩阵 就是这九个农业区域所构成的分类对象集合上的一个模糊相似关系，经过自乘计算后可以验证： ■R=R4R4=R4 (二)在不同的截集水平下进行聚类 结果： (1)取λ=1，得： 各自成为一类。 (2)取λ=0.99，得： G6G7归并为一类，而G1，G2，G3，G4，G8，G9各自成为一类。 (3)取λ=0.95，得： 行与第3行和其它各行均不相同，故G2G8聚为一类，G4与G9聚为一类，G5、G6、G7聚为一类，而G1和G3各自成为一类。 (4)取λ=0.94，得： 和其它各行均不相同，故G2、G4、G8、G9聚为一类，G5、G6、G7聚为一类，G1和G3各自聚为一类。 (5)取λ=0.93，得： 其它各行均不相同，故G1、G2、G4、G8、G9聚为一类，G5、G6、G7聚为一类，G3各自成为一类。 (6)取λ=0.80，得： G4G8、G9聚为一类，G3、G5、G6、G7聚为一类。 (7)取λ=0.67，得： G9 综合上述聚类结果，可以作出如下聚类谱系图，如图9-3所示。 ? 二、基于最大模糊支撑树的模糊聚类分析方法 除了依据模糊等价关系进行聚类分析外，还可以应用最大模糊支撑树进行聚类分析。基于最大模糊支撑树的聚类分析过程，可按如下步骤进行。 第一步：建立分类对象集上的模糊相似关系，构造模糊图。这一步骤的工作可按如下作法进行： (1)计算各个分类对象之间的相似性统计量rij(i，j=1，2，…，m)， 任意两个结点ViVj之间都有一条边相连结，且赋该边的权值为rij。 假若，对于某五个地理区域所构成的分类对象集合V=｛v1，v2，v3，v4，v5｝，经过选择聚类要素并对其原始数据进行标准化处理后，计算各分类对象之间的相似性统计量，得到如下的模糊相似关系 则按照上述作法，可以将其表示成一个模糊图，如图9-4所示。 第二步：构造最大模糊支撑树。构造模糊图G上的最大支撑树的算法，可按下述作法进行： (1)找出G中最大权值的边rij (2)将rijij边上的新结点放入集合T中，若T中已含有所有m个结点时，转(4)； (3)检查T中每一个结点与T外的结点组成的边的权值，找出其中最大者rij ? (4)结束，此时G中的边就构成了G的最大模糊支撑树Tmax。 对于图9-4所示的模糊图G，按照上述算法，可以求出其最大模糊支撑树Tmax，如图9-5所示。 可以证明，Tmax具有下述三个特点：①它不存在回路，所以是树；②它对原图G中所有结点都是连通的，所以它是图G的支撑树；③对于G的其它任何支撑树T，都有：Tmax中各边的权值之和大于或等于T中各边的权值之和。所以，Tmax的确是G的最大模糊支撑树。 第三步：由最大模糊支撑树进行聚类分析。其具体作法是：选择某一个λ值作截集，将Tmax中小于λ的边断开，使相连的各结点构成一类，当λ由1下降到0时，所得的分类由细变粗，各结点所代表的分类对象逐渐归并，从而形成一个动态聚类谱系图。 譬如，对于图9-5所示的G的最大模糊支撑树Tmax，当分别选取λ=1，λ=0.9，λ=0.8，λ