研究背景
在上一章中,讨论了使用混合聚类分析对流域进行区域化。混合聚类分析是一种硬聚类方法。在硬聚类的区域化中,集水区被分类为属于或不属于一个集群。实际上,大多数集水区与几个集群有部分相似之处。因此,完全将一个集水区分配给一个集群或另一个集群是无法充分证明的。相比之下,模糊聚类允许集水区在所有集群中具有部分或分布的成员资格。换句话说,在模糊聚类中,集水区可以同时属于一个以上的集群。因此,它导致识别出的集群之间有模糊的边界,这与硬聚类中定义明确的边界形成对比。因此,本章讨论的模糊聚类方法用于区域化,预计将比硬聚类传达更多信息,因为它更好地描述了现实。
研究主旨
本文探讨了使用模糊聚类分析进行区域化的方法,与传统的硬聚类不同,模糊聚类允许数据点在多个群集中拥有不同程度的隶属度,从而更真实地反映了现实中对象可能同时属于多个类别的特性。模糊聚类算法能够处理数据向量与多个群集部分相似的情况,通过赋予每个数据点在每个群集中的隶属度来实现。这种算法虽然需要更多的内存存储,但随着计算能力的提升,它在各种应用领域得到了广泛的应用和发展,特别是在区域化研究中。模糊C均值(FCM)算法是最简单且最流行的模糊聚类技术,它扩展了硬K均值算法到模糊框架中,已在农业工程、天文学、化学、地质学、图像分析等多个领域得到应用。