基于直觉模糊的聚类分析方法技术

本发明专利技术属于聚类分析技术领域，尤其涉及基于直觉模糊的聚类分析方法，包括：S1：获取对象数据，并构建直觉模糊值数集S2：结合直觉模糊值数集和相似函数数学模型，构建相似函数集数学模型；S3：结合对象数据两两间的相似性和相似函数集数学模型，构建直觉模糊相似矩阵；S4：根据直觉模糊相似矩阵进行相似度聚类分析；S1中直觉模糊值数集为：(μ(x

【技术实现步骤摘要】
基于直觉模糊的聚类分析方法


[0001]本专利技术属于聚类分析
，尤其涉及基于直觉模糊的聚类分析方法。

技术介绍

[0002]在科学技术、经济管理中有许多事物的类与类之间并无清晰的划分，边界具有模糊性，它们之间的关系更多的是模糊关系。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，对于这类事物的分类，一般用模糊数学方法，我们把应用模糊数学方法进行的聚类分析，称为模糊聚类分析。模糊聚类分析广泛应用在气象预报、地质、农业、林业等方面。
[0003]传统模糊聚类分析算法在对数据进行聚类时，会对数据进行预处理，涉及到部分数据缺失的情况，往往会采用众数、平均数填充，或者删掉该条数据。在数据缺失占比较少的情况下，上述方法往往可以起到较好的结果，且处理数据时间较短。但若数据缺失占比较高，且缺失数据维度相对重要时，采用上述方法进行数据处理后聚类分析，会影响数据真实性。

技术实现思路

[0004]本专利技术所解决的技术问题在于提供一种基于直觉模糊的聚类分析方法，通过在模糊聚类分析的基础上构建直觉模糊聚类分析，避免了输出结果中的不确定性。
[0005]本专利技术提供的基础方案：基于直觉模糊的聚类分析方法，包括：
[0006]S1：获取对象数据，并构建直觉模糊值数集
[0007]所述S1中直觉模糊值数集为：(μ(x
i
)，π(x
i
)，v(x
i
))，其中，μ(x
i
)为隶属度值，π(x
i
)为犹豫度值，v(x
i
)为非隶属度值；
[0008]S2：结合直觉模糊值数集和相似函数数学模型，构建相似函数集数学模型；
[0009]S3：结合对象数据两两间的相似性和相似函数集数学模型，构建直觉模糊相似矩阵；
[0010]S4：根据直觉模糊相似矩阵进行相似度聚类分析。
[0011]进一步，根据权利要求1所述的基于直觉模糊的聚类分析方法，其特征在于：所述隶属度值μ(x
i
)、犹豫度值π(x
i
)和非隶属度值v(x
i
)的数学模型为建立在与自变量的线性回归模型，计算公式一为：
[0012][0013]其中的取值范围是(
‑
∞，+∞)，同时，令μ(x
i
)＝p
i
，v(x
i
)+π(x
i
)＝1
‑
p
i
，根据式(1)可以得出隶属度μ(x
i
)的值，再令v(x
i
)＝q
i
，π(x
i
)＝1
‑
p
i
‑
q
i
，得到计算公式二：
[0014][0015]由计算公式一得到计算公式三：
[0016][0017]将采集的对象数据代入计算公式三，得出犹豫度π(x
i
)和非隶属度v(x
i
)的值。
[0018]进一步所述S1中还包括：
[0019]S1
‑
1：将获取的对象数据进行标准化处理，其计算公式四为：
[0020][0021]其中，
[0022]再经平移极差变换，其数学模型为：
[0023][0024]进一步，所述S2中相似函数数学模型为：
[0025][0026]将直觉模糊值代入相似函数数学模型中，得相似函数集数学模型：
[0027][0028]由相似函数集数学模型得到直觉模糊值在[0，1]区间上的准确值。
[0029]进一步，所述S3中直觉模糊相似矩阵为：
[0030][0031]其中，r
ij
＝|h(μ(x
i
),ν(x
i
),π(x
i
))
‑
h(μ(x
j
),ν(x
j
),π(x
j
))|，可得r
ij
＝
ji
，且当i＝j时，r
ij
＝0。
[0032]进一步，所述S4中包括：
[0033]S4
‑
1：通过聚类分析公式对R进行分类，所述γ为置信度且0≤λ≤1。
[0034]本专利技术的原理及优点为：在本专利技术中，与传统模糊聚类方法相比，直觉模糊聚类引入了犹豫度的概念，模糊中非此即彼的算法上加入犹豫值，针对对象分类时，对象维度缺失较高情况下，传统模糊聚类的判断方法往往得出的隶属度相对较低，非隶属度相对较高，而通过直觉模糊聚类方法做出一个平滑处理，将不确定性加入犹豫度，通过隶属度、非隶属度
和犹豫度综合判断对象的性质，解决了传统对数据非好即坏的判断造成的误差；同时本专利技术通过相似函数h构建相似函数集，达到了更好的聚类效果。
附图说明
[0035]图1为本专利技术实施例的流程框图。
具体实施方式
[0036]下面通过具体实施方式进一步详细说明：
[0037]实施例基本如附图1所示：基于直觉模糊的聚类分析方法，包括：
[0038]S1：获取对象数据，并构建直觉模糊值数集
[0039]在S1中，直觉模糊值数集为：(μ(x
i
)，π(x
i
)，v(x
i
))，其中，μ(x
i
)为隶属度值，π(x
i
)为犹豫度值，v(x
i
)为非隶属度值。在本实施例中，获取的对象数据设为X＝{x1,x2,
…
,x
n
}，每个对象具有m个维度，即x
i
＝{x
i1
,x
i2
,
…
,x
im
}，因此，可以得到一个n
×
m阶矩阵A＝(x
ij
)
n
×
m
。同时采集的对象数据数量满足训练模型及测试需求，在本次采集的对象数据中引入直觉模糊概念，增设一个具有犹豫度影响的样本，可以表示好、不确定以及坏，好的可能性概念为μ(x
i
)，不确定的可能性概念为π(x
i
)，坏的可能性概念为v(x
i
)，即可得到对应直觉模糊值为(μ(x
i
)，π(x
i
)，v(x
i
))，其中，(μ(x
i
)，π(x
i
)，v(x
i
))∈[0，1]，且μ(x
i
)+π(x
i
)+v(x
i
)＝1。同时，上述中μ(x
i
)即为直觉模糊聚类分析中的隶属度值，π(x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于直觉模糊的聚类分析方法，其特征在于：包括：S1：获取对象数据，并构建直觉模糊值数集所述S1中直觉模糊值数集为：(μ(x
i
)，π(x
i
)，v(x
i
))，其中，μ(x
i
)为隶属度值，π(x
i
)为犹豫度值，v(x
i
)为非隶属度值；S2：结合直觉模糊值数集和相似函数数学模型，构建相似函数集数学模型；S3：结合对象数据两两间的相似性和相似函数集数学模型，构建直觉模糊相似矩阵；S4：根据直觉模糊相似矩阵进行相似度聚类分析。2.根据权利要求1所述的基于直觉模糊的聚类分析方法，其特征在于：所述隶属度值μ(x
i
)、犹豫度值π(x
i
)和非隶属度值v(x
i
)的数学模型为建立在与自变量的线性回归模型，计算公式一为：其中ln的取值范围是(
‑
∞，+∞)，同时，令μ(x
i
)＝p
i
，v(x
i
)+π(x
i
)＝1
‑
p
i
，根据计算公式一得出隶属度μ(x
i
)的值，再令v(x
i
)＝q
i
，π(x
i
)＝1
‑
p
i
...

【专利技术属性】
技术研发人员：李江，
申请(专利权)人：重庆富民银行股份有限公司，
类型：发明
国别省市：