模糊信息处理2004a.pptVIP

模糊信息处理——理论发展与应用 模 糊 信 息 处 理——理论发展与应用 报告内容 内容: 在模糊信息处理领域的部分研究工作汇报 一、模糊不确定性与随机不确定性 智能信息处理的理论基础 不确定性与信息 随机不确定性、模糊不确定性 模糊信息处理技术 模糊信息处理技术的特点 二、模糊信息处理的理论与方法 模糊聚类方法的系统研究 模糊神经网络的研究 模糊信息的度量——模糊熵理论 模糊聚类方法的系统研究 模糊信息处理模糊信息处理的理论与方法 模糊聚类方法的系统研究 模糊聚类的基本概念 聚类有效性问题 针对不同数据类型的模糊聚类问题 模糊聚类算法的性能改进问题 模糊聚类的神经网络实现 模糊聚类的基本概念  模糊聚类回顾 聚类的目的：根据某种准则，将样本空间中的样本数据集合划分为表示不同模式或系统行为的一些子集。 1973年, J.C.Dunn 将最小方差聚类方法模糊化, 提出了fuzzy ISODATA聚类方法 1980年, J.C.Bezdek和Dunn将该聚类方法推广为一般的模糊聚类FCM迭代算法，并且证明了其收敛性 模糊聚类回顾  模糊划分、目标函数 模糊聚类回顾  模糊C均值（FCM）聚类算法 聚类有效性问题 模糊信息处理模糊信息处理的理论与方法模糊聚类方法的系统研究 聚类有效性问题 定义与研究目的 自动判断数据集合的分类类数 类数C的自动确定 选择聚类算法中合理的参数 加权指数m的优选问题 聚类有效性问题，是关于数据集的模糊聚类结果是否合理的问题。 聚类有效性的研究是提高分类器的智能化、自动化程度的一种途径。 聚类有效性问题方法之一  基于模糊贴近度的聚类有效性 基本思想 一个好的模糊C-划分应该使由划分矩阵U 所定义的表示模式原型的C个模糊子集 相互之间的贴近度最小 由模糊子集度概念构造的贴近度公式和聚类有效性函数： 试验样本数据：  基于模糊贴近度的聚类有效性 试验结果：  基于模糊贴近度的聚类有效性 试验结果：  基于模糊贴近度的聚类有效性 聚类有效性问题方法之二  FCM算法中加权指数m的优选问题 基本工作 分析了加权指数m对聚类的模糊性、算法的收敛性、以及目标函数的凹凸性的影响。利用模糊决策理论和聚类目标函数的凹凸特性，给出了一种加权指数m的优选方法， 利用最优参数m与样本可分性之间的关系，给出了一种确定数据集合最佳分类类数的方法。 同时验证了模糊聚类算法中以往采用的加权指数m的经验值的合理型。 试验数据－1：  FCM算法中加权指数m的优选问题 （目标函数）优选公式－1  FCM算法中加权指数m的优选问题 目标函数的凹凸特性  FCM算法中加权指数m的优选问题 （模糊决策）优选公式－2  FCM算法中加权指数m的优选问题 模糊决策优选试验：  FCM算法中加权指数m的优选问题 结论：加权指数m的最佳取值范围 FCM算法中加权指数m的优选问题 m取值范围比较 (1981) Bezdek ［1.1 5］(经验数据) 我们的结果 [1.5 3.5] （理论分析） 不同数据类型的模糊聚类 模糊信息处理模糊信息处理的理论与方法模糊聚类方法的系统研究 不同数据类型的模糊聚类 一些数据的原型数据类型 除球型数据外，还有线、线簇、超平面，球壳、椭球壳、超椭球壳，不规则形状 原型数据类型聚类的关键 聚类目标函数的构造 快速收敛的聚类算法的构造 收敛到全局最优的概率问题 不同数据类型的模糊聚类一些研究工作成果 提出了一种基于模拟退火技术的多数据类型聚类分析方法 提出了一种基于遗传的多数据类型聚类分析方法 提出了两种基于距离修正的模糊C球壳聚类算法 提出了一种区间值数据的模糊C均值聚类及其改进算法 提出了一种模糊数的聚类算法 不同数据类型的模糊聚类 一些研究工作结果图示－1 不同数据类型的模糊聚类 一些研究工作结果图示－2 不同数据类型的模糊聚类 一些研究工作结果图示－3 不同数据类型的模糊聚类 一些研究工作结果图示－4 不同数据类型的模糊聚类 一些研究工作结果图示－5 不同数据类型的模糊聚类 一些研究工作结果图示－7 不同数据类型的模糊聚类 一些研究工作结果图示－8 不同数据类型的模糊聚类 一些研究工作结果图示－9 模糊聚类算法的性能改进 模糊信息处理模糊信息处理的理论与方法模糊聚类方法的系统研究 模糊聚类算法的性能改进 性能改进1：FCM初始化改进－1  双层模糊C均值聚类 基本思路 性能改进2：FCM初始化改进－2 势函数聚类初始化方法 基本思路 性能改进