技术标签: 模糊数学 聚类 机器学习 机器学习笔记 最大生成树 人工智能
【参考资料】
【1】《模式识别与智能计算的MATLAB技术实现》
【2】《模糊数学方法及其应用》
【3】https://baike.baidu.com/item/Kruskal/10242089?fr=aladdin
模糊集定义及基础信息,参考之前笔记《模糊数学笔记-模糊集》
1.1 模糊关系
定义: 设论域U,V,称 U × V U \times V U×V的一个模糊子集 R ∼ ∈ F ( U × V ) \underset{\sim}{R} \in F(U \times V) ∼R∈F(U×V)为U到V的模糊关系。其隶属函数映射为:
U R : U × V → [ 0 , 1 ] U_R: U \times V \to [0, 1] UR:U×V→[0,1] 其隶属度 R ∼ ( x , y ) \underset{\sim}{R}(x,y) ∼R(x,y)称为(x,y)关于模糊关系 R ∼ \underset{\sim}{R} ∼R的相关程度。
举例:
1.2 模糊矩阵
我们可以将上述关系用模糊矩阵来表述,有点类似马儿可夫随机过程里定义状态转移矩阵
定义矩阵 R = ( r i j ) m × n R=(r_{ij})_{m \times n} R=(rij)m×n为模糊矩阵,例如:
[ 1 0 0.1 0.5 0.7 0.3 ] \begin{bmatrix} 1 & 0 & 0.1 \\ 0.5 & 0.7 & 0.3 \end{bmatrix} [10.500.70.10.3],这里 r i j ∈ [ 0 , 1 ] r_{ij} \in [0, 1] rij∈[0,1]
这里比较主要的是模糊矩阵的合成运算,如下:
定义:设 A = ( a i j ) m × t A=(a_{ij})_{m \times t} A=(aij)m×t, B = ( b i j ) t × n B=(b_{ij})_{t \times n} B=(bij)t×n称模糊矩阵 A ∘ B = ( c i j ) m × n A \circ B = (c_{ij})_{m \times n} A∘B=(cij)m×n
其中$ (c_{ij}) = {\lor}{t = 1}^s(a{it} \land b_{tj}) $
这里和矩阵乘法类似,只是在具体的运算中原先的元素乘元素编程取最小值,原先的乘积相加变为求最大值。 举例:
其次我们定义模糊矩阵的 λ \lambda λ截距矩阵,这个定义比较简单,矩阵中的每个元素大于 λ \lambda λ则为1,否则为0。举例如下:
2.1 基于模糊矩阵的等价关系
如果模糊矩阵满足等价关系的三个要素,即:
即
( r i j ) ≥ ∨ t = 1 s ( r i t ∧ r t j ) (r_{ij}) \ge {\lor}_{t = 1}^s(r_{it} \land r_{tj}) (rij)≥∨t=1s(rit∧rtj)这里有一点不理解,为什么传递性中是小于等于而非直接等于?
举例:
2.2 基于模糊矩阵的分类
由于等价关系代表着集合上的一个分类,因此在模糊聚类中,我们对模糊矩阵取不同的 λ \lambda λ截距,就可以取不同的分类。
存在n个被分类对象,每个对象存在m个属性,则有:
[ x 11 x 12 ⋯ x 1 m x 21 x 22 ⋯ x 2 m ⋯ ⋯ ⋯ ⋯ x n 1 x n 2 ⋯ x n m ] \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m}\\ x_{21} & x_{22} & \cdots & x_{2m}\\ \cdots & \cdots & \cdots & \cdots\\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} ⎣⎢⎢⎡x11x21⋯xn1x12x22⋯xn2⋯⋯⋯⋯x1mx2m⋯xnm⎦⎥⎥⎤,同时将数据归一化到[0,1]之间。
对第一步建立的数据矩阵,其元素 x i x_i xi和 x j x_j xj建立一个相似矩阵。其中每一个元素 r i j r_{ij} rij代表 x i x_i xi和 x j x_j xj。这里的相似度可以用多种方式做,比如数量积、相关系数等。
比如数量积定义:
r i j = { 1 , i = j 1 M ∑ k = 1 m x i k . x j k , i ≠ j r_{ij}= \begin{cases} 1, & i = j \\ \dfrac{1}{M} \sum\limits_{k=1}^{m}x_{ik}.x_{jk}, & i \ne j \end{cases} rij=⎩⎨⎧1,M1k=1∑mxik.xjk,i=ji̸=j
这里 M = m a x ( ∑ k = 1 m x i k . x j k ) M = max(\sum\limits_{k=1}^{m}x_{ik}.x_{jk}) M=max(k=1∑mxik.xjk)
这里的结果也归一化到[0,1]之间
这里举例为最大树法。
这里用的就是最大生成树Kruskal算法
# -*- coding: utf-8 -*-
import numpy as np
import sklearn.datasets as ds
import matplotlib.pyplot as plt
import random
import math
import operator
SAMPLE_NUM = 200 #样本数量
FEATURE_NUM = 2 #每个样本的特征数量
CLASS_NUM = 2 #分类数量
#1. 初始化测试数据
sample, y = ds.make_blobs(SAMPLE_NUM, n_features=FEATURE_NUM, centers=CLASS_NUM, random_state=3)
sim_array = [[0 for col in range(SAMPLE_NUM)] for row in range(SAMPLE_NUM)]
tree_node = [] #选择的节点
path_node = [] #路径
value_node = [] #存储路径对应的值
def _build_kruskal_tree():
#kruskal每次筛选与当前已选区域联通的点,将满足要求最好的点加入已选区域
tree_node.append(0)
while len(tree_node) < SAMPLE_NUM :
tmp_sum = 0
tmp_set = (0,0)
tmp_node = 0
for node in tree_node:
for i in range(0, SAMPLE_NUM):
if node == i:
continue
else:
if i in tree_node:
continue
else:
#计算距离
if sim_array[node][i] > tmp_sum:
tmp_sum = sim_array[node][i]
tmp_set = (node, i)
tmp_node = i
path_node.append(tmp_set)
tree_node.append(tmp_node)
value_node.append((len(path_node), tmp_sum))
def _do_fuzzy_cluster():
#2. 构造相似矩阵
max = 0
for i in range(0, SAMPLE_NUM):
for j in range(0, SAMPLE_NUM):
if i == j:
sim_array[i][j] = 1
else:
tmp = 0
for k in range(0, FEATURE_NUM):
tmp += sample[i][k] * sample[j][k]
sim_array[i][j] = tmp
if tmp > max:
max = tmp
for i in range(0, SAMPLE_NUM):
for j in range(0, SAMPLE_NUM):
if i != j:
sim_array[i][j] = sim_array[i][j]/max
#3. 构造最大树
_build_kruskal_tree()
#4. 聚类划分并显示
#根据最大生成树来进行分类
value_node.sort(key= operator.itemgetter(1))
gamma = value_node[int(len(value_node)/2)][1]
#根据这个gamma值分开
y_pre = [0 for col in range(SAMPLE_NUM)]
for i in range(0, SAMPLE_NUM - 1):
start = path_node[i][0]
end = path_node[i][1]
if value_node[i][1] > gamma:
y_pre[start] = 1
y_pre[end] = 1
else:
y_pre[start] = 0
y_pre[end] = 0
#print(np.array(y_pre))
#print(y)
#显示
plt.figure(figsize=(5, 6), facecolor='w')
plt.subplot(211)
plt.title('origin classfication')
plt.scatter(sample[:, 0], sample[:, 1], c=y, s=20, edgecolors='none')
plt.subplot(212)
plt.title('fuzzy classfication')
plt.scatter(sample[:, 0], sample[:, 1], c=np.array(y_pre), s=20, edgecolors='none')
plt.show()
"""
说明:
模糊聚类的代码实现,基于最大树算法,针对笔记《模糊聚类分析》
作者:fredric
日期:2018-12-23
"""
if __name__ == "__main__":
_do_fuzzy_cluster()
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法