一、模糊聚类
-
模糊聚类分析:为了解决客观世界中存在的界限不分明的聚类问题。
-
依据事物的某些属性将其聚集成类,属性值包括数值属性和符号属性。
-
分类后类与类之间的相似性尽量小,而同类之间的的相似性尽量大。
模糊聚类的方法
- 系统聚类法
- 传递闭包法(理论成熟,易于实现)
- 最大支撑树Prim算法
- Kruskal算法
- 动态直接聚类法
- 模糊C-均值聚类法
- 人工神经网络模糊聚类法等
这里主要对传递闭包法进行介绍。
传递闭包法步骤
下面给出一道例题:
模糊聚类的步骤:
1、依题意写出特性指标矩阵
2、数据格式化
3、构造模糊相似矩阵
4、求出模糊相似矩阵的传递闭包
5、进行分类
二、模糊综合评价
在模糊数学领域中,模糊综合评价是一种基于模糊集合理论的评价方法,它用于处理那些因素或变量不完全明确或不确定的情况。模糊综合评价旨在将各种评价因素或指标结合起来,为复杂的决策问题提供一个模糊的、综合的评价结果。
具体来说,模糊综合评价通常包括以下几个步骤:
-
确定评价指标或因素:首先,明确需要评价的各个指标或因素,并为每个指标或因素建立相应的模糊集。
-
建立隶属函数:为每个评价指标或因素建立隶属函数,描述该指标或因素在不同程度上满足某一评价标准或范围。
-
模糊化处理:对收集到的实际数据进行模糊化处理,将其转化为隶属于相应模糊集的隶属度。
-
模糊逻辑运算:利用模糊集合理论中的运算(如模糊交、模糊并、模糊补等)对各个评价因素或指标的模糊值进行组合和处理,得到一个综合的模糊评价结果。
-
解模糊化:最后,通过某种解模糊化方法(如平均法、最大隶属度法等)将模糊评价结果转化为具体的数值或等级,以支持决策或比较。
通过模糊综合评价,可以有效地处理各种不确定性和模糊性,为决策者提供一个相对综合和客观的评价结果。这种方法在工程、经济、管理、环境等多个领域都有广泛的应用。
三、其他应用
- 模糊模式识别:几何图形识别、手写字体识别
- 模糊推理
- 模糊控制
这里不做介绍。