1) fuzzy of K-mean cluster analysis
模糊K均值聚类分析
1.
Based on choosing five parameters which infiuence acid-base proper ties,fuzzy of K-mean cluster analysis is applied into the classification of ac id-base properties of compound.
选用化合物中影响酸碱性的5个参数,运用模糊K均值聚类分析方法对化合物进行酸碱性分类研究,得到了比判别分析等方法更为丰富的信息,有利于对分析结果进行研究。
2) fuzzy K means clustering
模糊K均值聚类
1.
For getting quickly the color image,hue-saturation-intensity(HSI) color space is used in which an enhanced fuzzy K means clustering method is designed.
为了使仿人机器人快速获得颜色图像,采用HSI颜色空间,并对现有算法进行了改进,根据每个像素点HSI3值中有关I值的公式对当前像素的主要特征进行判断,采用了模糊K均值聚类的方法进行图像分割。
4) fuzzy of k-mean analysis
模湖K均值聚类分析
5) K-means clustering analysis
K均值聚类分析
1.
Traditional K-means clustering analysis is sensitive to the initial central points.
传统的K均值聚类分析对于初始聚类的中心点比较敏感,借助于遗传算法能够搜索到全局最优解的特点,可以克服传统方法的缺点。
6) Fuzzy C-Means Clusterin
模糊C均值聚类分析
补充资料：模糊聚类分析
涉及事物之间的模糊界限时按一定要求对事物进行分类的数学方法。聚类分析是数理统计中的一种多元分析方法，它是用数学方法定量地确定样本的亲疏关系，从而客观地划分类型。事物之间的界限，有些是确切的，有些则是模糊的。例如人群中的面貌相像程度之间的界限是模糊的，天气阴、晴之间的界限也是模糊的。当聚类涉及事物之间的模糊界限时，需运用模糊聚类分析方法。模糊聚类分析广泛应用在气象预报、地质、农业、林业等方面。通常把被聚类的事物称为样本，将被聚类的一组事物称为样本集。模糊聚类分析有两种基本方法：系统聚类法和逐步聚类法。
系统聚类法 系统聚类法是基于模糊等价关系的模糊聚类分析法。在经典的聚类分析方法中可用经典等价关系对样本集X进行聚类。设R是 X上的经典等价关系。对X中的两个元素x和y，若xRy或(x，y)∈R，则将x和y并为一类，否则x和y不属于同一类。
相应地，可用X上的模糊等价关系对样本集X进行模糊聚类。设慒是X上的模糊等价关系，是慒 的隶属函数。对于任何α∈[0，1]，定义慒 的α截关系
Sα是X上的经典等价关系。根据Sα得到X 的一种聚类,称为在α水平上的聚类。即对于X中的任意两个元素x和y,若,则x和y属于同一类；否则x和y不属于同一类。
应用这种方法,分类的结果与α的取值大小有关。α取值越大,分的类数越多。α小到某一值时,X中的所有样本归并为一类。这种方法的优点在于可按实际需要选取α的值，以便得到恰当的分类。
系统聚类法的步骤如下：
①用数字描述样本的特征。设被聚类的样本集为 X＝{x1，...,xn}。每个样本均有p种特征,记作xi＝(xi1，...，xip)；i＝1，2，...,n；xip表示描述样本xi的第p个特征的数。 ②规定样本之间的相似系数rij(0≤rij≤1；i，j＝1，...，n)。rij描述样本xi与xj之间的差异或相似的程度。rij 越接近于1,表明样本xi与xj之间的差异越小;rij 越接近于0，表明xi与xj之间的差异越大。rij可用主观评定或集体评分的方法规定，也可用公式计算，如采用夹角余弦法、最小最大法、算术平均最小法等。
因为rii＝1(xi与自身没有差异),rij＝rji(xi与xj之间的差异等同于xj与xi之间的差异),所以由rij(i，j＝1，...，n)可得X上的模糊相似关系：
一般，R不具备可传递性，因而R不一定是 X上的模糊等价关系。
③运用合成运算R2＝R⋅R（或R4＝R2⋅R2等）求出最接近相似关系R的模糊等价关系S＝R2（或R4等）。若R已是模糊等价关系，则取S＝R。
④选取适当水平α（0≤α≤1）,得到X 的一种聚类。
逐步聚类法 逐步聚类法是一种基于模糊划分的模糊聚类分析法。它是预先确定好待分类的样本应分成几类，然后按最优化原则进行再分类，经多次迭代直到分类比较合理为止。
在分类过程中可认为某个样本以某一隶属度隶属于某一类，又以另一隶属度隶属于另一类。这样，样本就不是明确地属于或不属于某一类。若样本集有 n个样本要分成c类，则它的模糊划分矩阵为
此c×n模糊划分矩阵有下列特性：①uij∈[0，1]；i＝1，...，c；j＝1,...，n。②即每一样本属于各类的隶属度之和为1。③即每一类模糊子集都不是空集。
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。
系统聚类法 系统聚类法是基于模糊等价关系的模糊聚类分析法。在经典的聚类分析方法中可用经典等价关系对样本集X进行聚类。设R是 X上的经典等价关系。对X中的两个元素x和y，若xRy或(x，y)∈R，则将x和y并为一类，否则x和y不属于同一类。
相应地，可用X上的模糊等价关系对样本集X进行模糊聚类。设慒是X上的模糊等价关系，是慒 的隶属函数。对于任何α∈[0，1]，定义慒 的α截关系
Sα是X上的经典等价关系。根据Sα得到X 的一种聚类,称为在α水平上的聚类。即对于X中的任意两个元素x和y,若,则x和y属于同一类；否则x和y不属于同一类。
应用这种方法,分类的结果与α的取值大小有关。α取值越大,分的类数越多。α小到某一值时,X中的所有样本归并为一类。这种方法的优点在于可按实际需要选取α的值，以便得到恰当的分类。
系统聚类法的步骤如下：
①用数字描述样本的特征。设被聚类的样本集为 X＝{x1，...,xn}。每个样本均有p种特征,记作xi＝(xi1，...，xip)；i＝1，2，...,n；xip表示描述样本xi的第p个特征的数。 ②规定样本之间的相似系数rij(0≤rij≤1；i，j＝1，...，n)。rij描述样本xi与xj之间的差异或相似的程度。rij 越接近于1,表明样本xi与xj之间的差异越小;rij 越接近于0，表明xi与xj之间的差异越大。rij可用主观评定或集体评分的方法规定，也可用公式计算，如采用夹角余弦法、最小最大法、算术平均最小法等。
因为rii＝1(xi与自身没有差异),rij＝rji(xi与xj之间的差异等同于xj与xi之间的差异),所以由rij(i，j＝1，...，n)可得X上的模糊相似关系：
一般，R不具备可传递性，因而R不一定是 X上的模糊等价关系。
③运用合成运算R2＝R⋅R（或R4＝R2⋅R2等）求出最接近相似关系R的模糊等价关系S＝R2（或R4等）。若R已是模糊等价关系，则取S＝R。
④选取适当水平α（0≤α≤1）,得到X 的一种聚类。
逐步聚类法 逐步聚类法是一种基于模糊划分的模糊聚类分析法。它是预先确定好待分类的样本应分成几类，然后按最优化原则进行再分类，经多次迭代直到分类比较合理为止。
在分类过程中可认为某个样本以某一隶属度隶属于某一类，又以另一隶属度隶属于另一类。这样，样本就不是明确地属于或不属于某一类。若样本集有 n个样本要分成c类，则它的模糊划分矩阵为
此c×n模糊划分矩阵有下列特性：①uij∈[0，1]；i＝1，...，c；j＝1,...，n。②即每一样本属于各类的隶属度之和为1。③即每一类模糊子集都不是空集。
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。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条