模糊数学聚类分析之葡萄酒分级

葡萄酒分级是这次MCM的一问，刚好模糊数学结业作业是运用模糊数学东西，模式识别，模糊决策，聚类分析什么的写一篇应用报告或论文，撞枪口上了。

先解释一些聚类分析的含义，对于一个集合中包含若干元素，他们之间存在着模糊关系（就是不是绝对联系也不是绝对不联系的情况，联系度在[0,1]之间），于是，我们可以通过建立相关矩阵，对其进行截取找到一个划分，可以把集合分为几个内部关联很大的类。

当然，这道题我用的只是基于模糊矩阵的聚类算法，感觉运用模糊C均值划分会更好一些，可惜我不是弄MCM，我只需要交片paper糊弄过老师就OK了，模糊C均值和L模型个人感觉是解这问比较好的方法，不过理论相当复杂，而且实现部分设计积分偏导.....所以，大家量力而行吧，如果想学习的话建议参考模糊集合论及应用。

言归正传

首先我们对28种白葡萄酒的葡萄的理化指标经行聚类分析，因为单纯从葡萄的理化指标很难看出酒的好坏，但能找到指标相近的几种葡萄作为一类。

所以，先对数据经行标准化

我用的是平移极差变化

这样就能消除了量纲的限制，控制在[0,1]之间。

之后对得到的28组数据向量经行建立模糊相似矩阵，矩阵的元素Rij表示第i个元素和第j个元素的关系度，而建立的方法有很多种，这里采用的是算数均值最小法，主要是方便运算，但从数据结果来看出现了不小的误差，建议改用距离法和夹角余弦法。

算数均值最小法：

距离法：

夹角余弦法：

当然，如果你感觉你对数字够敏感，分析角度够犀利，可以主观自己构造。

得到模糊矩阵后需要对矩阵求解传递闭包，因为不具有传递性的矩阵不一定能截出正常分类，而求解一个矩阵的传递闭包方法就是对矩阵自乘，得到新矩阵如果和旧矩阵一样说明已经是传递闭包，如果不是继续对新矩阵自乘。

得到传递闭包后，数据如下：

1.000000       0.795914       0.758670       0.758670       0.758670       0.795914       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.682214       0.758670       0.758670       0.758670       0.776950       0.746148       0.741932       0.695674       0.739005       0.673651       0.695674       0.744374       
0.795914       1.000000       0.758670       0.758670       0.758670       0.841503       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.682214       0.758670       0.758670       0.758670       0.776950       0.746148       0.741932       0.695674       0.739005       0.673651       0.695674       0.744374       
0.758670       0.758670       1.000000       0.787479       0.782909       0.758670       0.787922       0.771737       0.787479       0.796723       0.765201       0.807563       0.787922       0.776075       0.807563       0.782909       0.682214       0.787922       0.787479       0.807563       0.758670       0.746148       0.741932       0.695674       0.739005       0.673651       0.695674       0.744374       
0.758670       0.758670       0.787479       1.000000       0.782909       0.758670       0.787479       0.771737       0.810414       0.787479       0.765201       0.787479       0.787479       0.776075       0.787479       0.782909       0.682214       0.787479       0.803698       0.787479       0.758670       0.746148       0.741932       0.695674       0.739005       0.673651       0.695674       0.744374       
0.758670       0.758670       0.782909       0.782909       1.000000       0.758670       0.782909       0.771737       0.782909       0.782909       0.765201       0.782909       0.782909       0.776075       0.782909       0.790156       0.682214       0.782909       0.782909       0.782909       0.758670       0.746148       0.741932       0.695674       0.739005       0.673651       0.695674       0.744374       
0.795914       0.841503       0.758670       0.758670       0.758670       1.000000       0.758670       0.758670       0.758670       0.758670       0.758670       0.758670       0.