模糊聚类分析实验报告.doc

模糊聚类分析实验报告
样本数据标准化后结果如图所示：
图一 最大值规格化
图二 平移极差标准化
构造模糊相似矩阵
根据各分类对象的不同指标的标准化时的截矩阵
（2）当时，这8种产品分为7类{x1}，{x2}，{x3}，{x4, x5}，{x6}，{x7}，{x8}。
图八 时的截矩阵
（3）当时，这8种产品分为6类{x1}，{x2, x3}，{x4, x5}，{x6}，{x7}，{x8}。
图九 时的截矩阵
（4）当时，这8种产品分为5类{x1}，{x2, x3}，{x4, x5, x8}，{x6}，{x7}。
图十 时的截矩阵
（5）当时，这8种产品分为4类{x1}，{x2, x3}，{x4, x5, x6, x8}，{x7}。
图十一 时的截矩阵
（6）当时，这8种产品分为3类{x1}，{x2, x3, x7}，{x4, x5, x6, x8}。
图十二 时的截矩阵
（7）当时，这8种产品分为2类{x1}，{x2, x3, x7, x4, x5, x6, x8}。
图十三 时的截矩阵
（8）当时，这8种产品分为1类{x1, x2, x3, x7, x4, x5, x6, x8}。
图十四 时的截矩阵
动态聚类图
，再让由大变小，就可形成动态聚类图。
使用Matlab实现代码：
function [M,N]=juleitu(tR)
%函数功能：画动态聚类图
lamda=unique(tR);%取A矩阵不同元素构成的向量，来确定阈值
L=length(lamda);
M=1:L;
for i=L-1:-1:1 %获得分类情况：对元素分类进行排序
[m,n]=find(tR==lamda(i));
N{i,1}=n;
N{i,2}=m;
tR(m(1),:)=0;
mm=unique(m);
N{i,3}=mm;
len=length(find(m==mm(1)));
depth=length(find(m==mm(2)));
index1=find(M==mm(1));
MM=[M(1:index1-1),M(index1+depth:L)];
index2=find(MM==mm(2));
M=M(index1:index1+depth-1);
M=[MM(1:index2-1),M,MM(index2:end)];
end
M=[1:L;M;ones(1,L)];
h=(max(lamda)-min(lamda))/L;
figure
text(L,1,sprintf('x%d',M(2,L)));
text(0,1,sprintf('%',1));
text(0,(1+min(lamda))/2,sprintf('%',(1+min(lamda))/2));
text(0,min(lamda),sprintf('%',min(lamda)));
hold on
for i=L-1:-1:1 %获得分类情况：每一个子类的元素
m=N{i,2};
n=N{i,1};
mm=N{i,3};
k=find(M(2,:)==mm(1));
l=find(M(2,:)==mm(2));
x1=M(1,k);
y1=M(3,k);
x2=M(1,l);
y2=M(3,l);
x=[x1,x1,x2,x2];
M(3,[k,l])=lamda(i);
M(1,[k,l])=sum(M(1,[k,l]))/length(M(1,[k,l]));
y=[y1,lamda(i),lamda(i),y2];
plot(x,y);
text(i,1,sprintf('x%d',M(2,i)));
text(M(1,k(1)),lamda(i)+h*,sprintf('%',lamda(i)));
end
axis([0 L+1 min(lamda) max(lamda)])
axis off
hold off
end