模糊聚類分析及其應(yīng)用

第1章 緒論 1
1.1 模糊數(shù)學(xué)的產(chǎn)生和發(fā)展 1
1.2 信息科學(xué)與模式識(shí)別 2
1.3 模式識(shí)別與模糊聚類 3
1.4 模糊聚類研究的意義 4
1.5 模糊聚類的應(yīng)用 4
1.5.1 模糊聚類在模式識(shí)別中的應(yīng)用 5
1.5.2 模糊聚類在圖像處理中的應(yīng)用 5
第2章 模糊理論基礎(chǔ) 6
2.1 普通集合 6
2.1.1 集合的表示方法 6
2.1.2 特殊集合 7
2.1.3 集合的運(yùn)算 7
2.2 模糊集合 9
2.2.1 模糊集合的表示方法 10
2.2.2 特殊模糊集合 10
2.2.3 模糊集合的運(yùn)算及性質(zhì) 11
2.3 分解定理與擴(kuò)展原理 12
2.3.1 α截集 12
2.3.2 分解定理 13
2.3.3 擴(kuò)展原理 14
2.4 模糊數(shù)及其擴(kuò)展運(yùn)算 15
2.4.1 凸模糊集 15
2.4.2 模糊數(shù) 15
2.5 模糊關(guān)系 16
2.5.1 關(guān)系的基本知識(shí) 17
2.5.2 模糊關(guān)系 17
2.5.3 模糊關(guān)系的合成 18
2.5.4 模糊關(guān)系的性質(zhì) 19
2.6 模糊語(yǔ)言與模糊邏輯 20
2.6.1 語(yǔ)言變量 20
2.6.2 模糊命題與蘊(yùn)含式 22
2.6.3 模糊推理 23
2.7 模糊不確定性度量 26
2.7.1 模糊集的模糊性度量 26
2.7.2 模糊事件的概率 28
第3章 可能性理論基礎(chǔ) 31
3.1 可能性分布的概念 31
3.2 可能性測(cè)度 33
3.3 可能性分布與模糊集 34
3.4 多元可能性分布 35
第4章 聚類分析 37
4.1 聚類分析的概況 37
4.1.1 聚類分析的基本概念 37
4.1.2 聚類分析的數(shù)學(xué)模型 38
4.1.3 聚類分析的分類 39
4.2 譜系聚類方法 39
4.3 基于等價(jià)關(guān)系的聚類方法 42
4.4 圖論聚類方法 46
第5章 基于目標(biāo)函數(shù)的模糊聚類分析 49
5.1 數(shù)據(jù)集的c劃分 49
5.2 聚類目標(biāo)函數(shù) 50
5.3 模糊c均值聚類算法 53
5.4 模糊c均值類型聚類算法的研究現(xiàn)狀 54
5.4.1 糊模聚類目標(biāo)函數(shù)的演化 54
5.4.2 模糊聚類算法實(shí)現(xiàn)途徑的研究 57
5.4.3 模糊聚類有效性的研究 59
5.5 存在的問(wèn)題及本書的研究?jī)?nèi)容 60
第6章 模糊聚類神經(jīng)網(wǎng)絡(luò) 62
6.1 自適應(yīng)矢量量化聚類網(wǎng)絡(luò) 63
6.1.1 c均值聚類算法回顧 63
6.1.2 AVQ聚類和c均值聚類的等效關(guān)系 64
6.2 通用c均值類型聚類網(wǎng)絡(luò)的設(shè)計(jì) 66
6.2.1 網(wǎng)絡(luò)結(jié)構(gòu)模型 66
6.2.2 模糊競(jìng)爭(zhēng)學(xué)習(xí)算法 66
6.2.3 實(shí)驗(yàn)結(jié)果與分析 67
6.3 基于模糊邏輯神經(jīng)元的聚類網(wǎng)絡(luò) 69
6.3.1 模糊邏輯聚類神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu) 69
6.3.2 網(wǎng)絡(luò)學(xué)習(xí)算法 70
6.3.3 競(jìng)爭(zhēng)學(xué)習(xí)算法中的死點(diǎn)問(wèn)題 72
6.3.4 實(shí)驗(yàn)結(jié)果與分析 73
第7章 模糊聚類的遺傳算法 75
7.1 遺傳算法的基本原理 76
7.1.1 遺傳算法的起源 76
7.1.2 遺傳算子 77
7.1.3 標(biāo)準(zhǔn)的遺傳算法 78
7.1.4 遺傳算子的改進(jìn)和擴(kuò)充 79
7.1.5 操作參數(shù)的自適應(yīng)選取 80
7.1.6 替代方式的改進(jìn) 81
7.2 模糊聚類的遺傳算法 81
7.2.1 聚類問(wèn)題的編碼方式 82
7.2.2 聚類問(wèn)題適應(yīng)度函數(shù)的構(gòu)造 83
7.2.3 遺傳算子選取及參數(shù)范圍 83
7.3 模糊聚類遺傳算法比較 84
7.3.1 比較測(cè)試實(shí)驗(yàn)一 84
7.3.2 比較測(cè)試實(shí)驗(yàn)二 85
7.3.3 比較測(cè)試實(shí)驗(yàn)三 87
7.4 進(jìn)化策略及其在聚類中的應(yīng)用 88
7.4.1 進(jìn)化策略的基本原理 88
7.4.2 用進(jìn)化策略求解聚類問(wèn)題 90
7.4.3 進(jìn)化計(jì)算的并行實(shí)現(xiàn) 91
第8章 聚類原型初始化方法 92
8.1 原型初始化的可行性 93
8.1.1 原型定義的統(tǒng)一形式和基于原型的聚類 93
8.1.2 原型聚類問(wèn)題初始化的重要性 95
8.1.3 基于原型的聚類算法與FCM算法的關(guān)系 96
8.1.4 原型初始化與算法收斂性的關(guān)系 97
8.2 基于形態(tài)學(xué)和圖像描述技術(shù)的初始化方法 98
8.2.1 數(shù)學(xué)形態(tài)學(xué)的基本算子 98
8.2.2 細(xì)化和連通分量標(biāo)記 99
8.2.3 聚類原型的初始化方法 100
8.3 實(shí)驗(yàn)結(jié)果與分析 101
8.4 原型初始化方法的幾個(gè)潛在的用途 104
8.4.1 均勻噪聲背景下點(diǎn)簇的檢測(cè) 104
8.4.2 類間不均衡數(shù)據(jù)集的聚類分析 105
8.4.3 常規(guī)雷達(dá)編隊(duì)目標(biāo)架次識(shí)別 106
第9章 聚類有效性分析 109
9.1 聚類有效性函數(shù) 110
9.1.1 基于可能性分布的聚類有效性函數(shù) 110
9.1.2 基于模糊相關(guān)度的聚類有效性函數(shù) 112
9.1.3 基于子集測(cè)度的聚類有效性函數(shù) 115
9.2 加權(quán)指數(shù)m對(duì)FCM算法的影響 118
9.3 參數(shù)m的優(yōu)選方法 122
9.3.1 模糊決策理論 122
9.3.2 基于模糊決策的參數(shù)m優(yōu)選方法 123
9.3.3 基于目標(biāo)函數(shù)拐點(diǎn)的參數(shù)m優(yōu)選方法 125
9.3.4 基于最優(yōu)參數(shù)m*的類別數(shù)確定方法 125
9.3.5 實(shí)驗(yàn)結(jié)果及分析 126
第10章 聚類趨勢(shì)分析 129
10.1 FCM聚類算法存在的問(wèn)題 129
10.2 多維數(shù)據(jù)集聚類趨勢(shì)檢驗(yàn)的距離方法 132
10.2.1 空間結(jié)構(gòu)的假設(shè) 132
10.2.2 空間抽樣原理 133
10.2.3 檢驗(yàn)統(tǒng)計(jì)量 134
10.2.4 存在的問(wèn)題 135
10.3 基于T平方抽樣的單峰模式的統(tǒng)計(jì)檢驗(yàn) 136
10.3.1 半數(shù)框架制約下的T平方檢驗(yàn) 136
10.3.2 統(tǒng)計(jì)檢驗(yàn)的兩類錯(cuò)誤及檢驗(yàn)功效 137
10.3.3 統(tǒng)計(jì)量TB對(duì)空間隨機(jī)模式的檢驗(yàn)大小 138
10.3.4 統(tǒng)計(jì)量TB對(duì)單個(gè)和多個(gè)Gauss模式的檢驗(yàn)功效 139
10.4 基于Monte Carlo和統(tǒng)計(jì)檢驗(yàn)的模糊聚類新方法 141
10.4.1 基于k近鄰T平方統(tǒng)計(jì)量Tk的單峰檢驗(yàn) 151
10.4.2 聚類有效性判定方法 142
10.4.3 聚類分析的后處理 142
10.5 實(shí)驗(yàn)結(jié)果與分析 143
第11章 區(qū)間值數(shù)據(jù)聚類算法及其推廣 147
11.1 聚類分析的數(shù)據(jù)類型 147
11.2 區(qū)間數(shù)和模糊數(shù)的性質(zhì)和算子 149
11.3 區(qū)間值數(shù)據(jù)的模糊c均值聚類新算法 150
11.3.1 區(qū)間值數(shù)據(jù)的FCM算法一 151
11.3.2 區(qū)間值數(shù)據(jù)的FCM算法二 152
11.3.3 區(qū)間值數(shù)據(jù)的FCM算法三 153
11.3.4 三種算法的相互關(guān)系 154
11.4 區(qū)間值數(shù)據(jù)FCM新算法的兩個(gè)擴(kuò)展 156
11.4.1 模糊數(shù)的FCM算法 156
11.4.2 基于特征加權(quán)的FCM算法 158
11.5 實(shí)驗(yàn)結(jié)果與分析 160
第12章 模糊聚類分析的應(yīng)用 164
12.1 模糊聚類分析在圖像分割中的應(yīng)用 164
12.1.1 多閾值圖像自動(dòng)分割方法 164
12.1.2 光照不均勻圖像分割算法 171
12.1.3 紋理圖像分割的模糊軟聚類方法 176
12.2 模糊聚類分析在模式識(shí)別中的應(yīng)用 181
12.2.1 基于模糊聚類的特征優(yōu)選方法 182
12.2.2 基于有監(jiān)督聚類的特征空間劃分方法 185
12.2.3 實(shí)驗(yàn)結(jié)果與分析 191
展望 196
參考文獻(xiàn) 198