模糊聚类分析模糊聚类的基本思想是什么？

模糊聚类法的步骤

去百度文库，查看完整内容> 内容来自用户:kevinzhang44 求分类对象的相似度 传递闭包法进行聚类（求动态聚类图） 根据（0,1）的不同取值分布不同的类。

注释（1）：模糊相似矩阵只具有自反性和对称性，不具有传递性，求截矩阵的前提是R是X上的的模糊等价关系。

所以要先求得R传递闭包，将模糊相似矩阵转化为模糊等价矩阵。

雨量站问题 原始数据矩阵： （重要定理：设RF ( XX )是相似关系(即R是自反、对称模糊关系)，则e(R) = t(R) ,即模糊相似关系的传递闭包就是它的等价闭包。

） Y的传递闭包（即Y的等价矩阵）： 求截矩阵，在程序中我用的k代替了。

K=1时，x1,x2,x3,…x11,各成一类，将11个雨量站分成11类。

K=0.9095时，将11个雨量站分为10类，X8,X11为一类，其余各自一类。

分8类，将x2,x5,x8,x11分一类，其余各自一类 分6类，x2x3,x5,x8,x9x11为一类，其余各自一类。

分4类，x1，x2,x3,x5,x7，x8,x9x11为一类，其余各自一类。

分4类，x1,x3x2x7x8x9x11为一类，x2x4x5为一类，x6一类，x10一类。

分3类，x2x4x5x6为一类，x1x3x7x8x9x11一类，x10一类。

分2类，x2x4x5x6x10一类，x1x3x7x8x9x11一类 分2类，x1x2x4x5x6x10一类，x3x8x9x11一类. 分1类。

程序一：标准化矩阵： function Y=bzh1(X) [a,b]=size(X); C=max(X); D=min(X); Y=zeros(a,b); for i=1:a for j=1:b Y(i,j)=(X(i,j)-D(j))/(C(j)-D(j)); %end

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。

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。

模糊聚类的基本思想是什么？

聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。

它是一种重要的人类行为。

聚类与分类的不同在于，聚类所要求划分的类是未知的。

聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。

聚类分析的目标就是在相似的基础上收集数据来分类。

聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。

在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。