【技术实现步骤摘要】
本专利技术涉及聚类分析领域，尤其涉及一种基于有序信息熵的模糊熵空间聚类分析方法。
技术介绍
聚类，作为一个古老的问题，随着人类社会的产生和发展不断深化。聚类分析是机器学习领域中的一项重要的研究领域。它是研究离散数据之间规律的一个重要方法。聚类在很多领域都有广泛的应用，包括模式识别、数据挖掘以及市场研究等方面。聚类的目标是在没有任何先验知识的前提下，将数据聚集成不同的类，发现样本点之间最本质的性质，使类间差异性尽可能大，类内差异性尽可能小。人们很早就对聚类进行了各种不同的研究，传统的聚类算法大体可以划分为以下几类：划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法。通过聚类分析，我们可以从数据中提取有趣的知识、规律或其它信息，并可以从不同角度进行观察，发现的知识可以用于决策、过程控制、信息管理等。现有技术中主要有划分聚类、层次聚类、基于密度的聚类以及基于网格的聚类，但是大多数模糊聚类都需要人为指定聚类数目。初始聚类中心，对初始化敏感，难以取得全局最优。且目前的基于模糊商空间的聚类算法，得出的是一个分层递阶的聚类结果，但无法知道哪一个粒度层次是一个最佳的聚类结果。
技术实现思路
本专利技术的专利技术目的在于，提供一种可选择出在模糊商空间下的一个最佳层次的基于有序信息熵的模糊熵空间聚类分析方法，。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种基于有序信息熵的模糊熵空间聚类分析方法，包括以下步骤：S1：输入标准化矩阵X＝{x1，x2，x3，......，xn
【技术保护点】
一种基于有序信息熵的模糊熵空间聚类分析方法，其特征在于，包括以下步骤：S1：输入标准化矩阵X＝{x1，x2，x3，......，xn}，R是X上的一个模糊等价关系或者相似关系，则关系集合D＝{R(x，y)|x，y∈X}＝{λ1，λ2，λ3，......，λm}1＝λ1＞λ2＞λ3＞…＞λm，其中λi(i＝1，2，3，......，m)为模糊上空间参数；令整数i＝1；S2：将关系集合D对应的第i个值赋值给模糊熵空间参数λ，λ＝λi，初始化中间集合A，并赋值中间集合A为和X同样大小的正整数集，A＝{1，2，3，......，n}；初始化中间集合C，并赋值C为空，S3：令中间集合B为空，取任意整数j∈A，B＝B∪{xj}，A＝A\{xj}；S4：取任意的整数k∈A，如果R(xj，xk)≥λ，那么B＝B∪{xj}，A＝A\{xj}；取任意的整数s∈A，如果R(xj，xk)≥λ，那么B＝B∪{xs}，A＝A\{xs}，否则转S5；S5：令C＝C∪{B}，且令整数i+1赋值给i；重复执行步骤S2～S5，直到整数i等于关系集合D的大小m，重复终止；S6：如果则X(λ)＝{x1，x2，x3，...xk...
【技术特征摘要】
1.一种基于有序信息熵的模糊熵空间聚类分析方法，其特征在于，包括以下...
【专利技术属性】
技术研发人员：熊盛武，郑文博，段鹏飞，于笑寒，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。