第1章 绪论 1
1.1模糊数学的产生和发展 1
1.2信息科学与模式识别 2
1.3模式识别与模糊聚类 3
1.4模糊聚类研究的意义 4
1.5模糊聚类的应用 4
1.5.1模糊聚类在模式识别中的应用 5
1.5.2模糊聚类在图像处理中的应用 5
2.1.1集合的表示方法 6
2.1普通集合 6
第2章 模糊理论基础 6
2.1.2特殊集合 7
2.1.3集合的运算 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模糊集合的运算及性质 11
2.3分解定理与扩展原理 12
2.3.1α截集 12
2.3.2分解定理 13
2.3.3扩展原理 14
2.4模糊数及其扩展运算 15
2.4.1凸模糊集 15
2.4.2模糊数 15
2.5模糊关系 16
2.5.1关系的基本知识 17
2.5.2模糊关系 17
2.5.3模糊关系的合成 18
2.5.4模糊关系的性质 19
2.6.1语言变量 20
2.6模糊语言与模糊逻辑 20
2.6.2模糊命题与蕴含式 22
2.6.3模糊推理 23
2.7模糊不确定性度量 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 可能性理论基础 31
3.1可能性分布的概念 31
3.2可能性测度 33
3.3可能性分布与模糊集 34
3.4多元可能性分布 35
第4章 聚类分析 37
4.1聚类分析的概况 37
4.1.1聚类分析的基本概念 37
4.1.2聚类分析的数学模型 38
4.1.3聚类分析的分类 39
4.2谱系聚类方法 39
4.3基于等价关系的聚类方法 42
4.4图论聚类方法 46
5.1数据集的c划分 49
第5章 基于目标函数的模糊聚类分析 49
5.2聚类目标函数 50
5.3模糊c均值聚类算法 53
5.4模糊c均值类型聚类算法的研究现状 54
5.4.1糊模聚类目标函数的演化 54
5.4.2模糊聚类算法实现途径的研究 57
5.4.3模糊聚类有效性的研究 59
5.5存在的问题及本书的研究内容 60
第6章 模糊聚类神经网络 62
6.1.1c均值聚类算法回顾 63
6.1自适应矢量量化聚类网络 63
6.1.2AVQ聚类和c均值聚类的等效关系 64
6.2通用c均值类型聚类网络的设计 66
6.2.1网络结构模型 66
6.2.2模糊竞争学习算法 66
6.2.3实验结果与分析 67
6.3基于模糊逻辑神经元的聚类网络 69
6.3.1模糊逻辑聚类神经元网络的结构 69
6.3.2网络学习算法 70
6.3.3竞争学习算法中的死点问题 72
6.3.4实验结果与分析 73
第7章 模糊聚类的遗传算法 75
7.1遗传算法的基本原理 76
7.1.1遗传算法的起源 76
7.1.2遗传算子 77
7.1.3标准的遗传算法 78
7.1.4遗传算子的改进和扩充 79
7.1.5操作参数的自适应选取 80
7.2模糊聚类的遗传算法 81
7.1.6替代方式的改进 81
7.2.1聚类问题的编码方式 82
7.2.2聚类问题适应度函数的构造 83
7.2.3遗传算子选取及参数范围 83
7.3模糊聚类遗传算法比较 84
7.3.1比较测试实验一 84
7.3.2比较测试实验二 85
7.3.3比较测试实验三 87
7.4进化策略及其在聚类中的应用 88
7.4.1进化策略的基本原理 88
7.4.2用进化策略求解聚类问题 90
7.4.3进化计算的并行实现 91
第8章 聚类原型初始化方法 92
8.1原型初始化的可行性 93
8.1.1原型定义的统一形式和基于原型的聚类 93
8.1.2原型聚类问题初始化的重要性 95
8.1.3基于原型的聚类算法与FCM算法的关系 96
8.1.4原型初始化与算法收敛性的关系 97
8.2基于形态学和图像描述技术的初始化方法 98
8.2.1数学形态学的基本算子 98
8.2.2细化和连通分量标记 99
8.2.3聚类原型的初始化方法 100
8.3实验结果与分析 101
8.4原型初始化方法的几个潜在的用途 104
8.4.1均匀噪声背景下点簇的检测 104
8.4.2类间不均衡数据集的聚类分析 105
8.4.3常规雷达编队目标架次识别 106
第9章 聚类有效性分析 109
9.1聚类有效性函数 110
9.1.1基于可能性分布的聚类有效性函数 110
9.1.2基于模糊相关度的聚类有效性函数 112
9.1.3基于子集测度的聚类有效性函数 115
9.2加权指数m对FCM算法的影响 118
9.3参数m的优选方法 122
9.3.1模糊决策理论 122
9.3.2基于模糊决策的参数m优选方法 123
9.3.3基于目标函数拐点的参数m优选方法 125
9.3.4基于最优参数m*的类别数确定方法 125
9.3.5实验结果及分析 126
10.1FCM聚类算法存在的问题 129
第10章 聚类趋势分析 129
10.2.1空间结构的假设 132
10.2多维数据集聚类趋势检验的距离方法 132
10.2.2空间抽样原理 133
10.2.3检验统计量 134
10.2.4存在的问题 135
10.3基于T平方抽样的单峰模式的统计检验 136
10.3.1半数框架制约下的T平方检验 136
10.3.2统计检验的两类错误及检验功效 137
10.3.3统计量TB对空间随机模式的检验大小 138
10.3.4统计量TB对单个和多个Gauss模式的检验功效 139
10.4基于MonteCarlo和统计检验的模糊聚类新方法 141
10.4.2聚类有效性判定方法 142
10.4.3聚类分析的后处理 142
10.5实验结果与分析 143
第11章 区间值数据聚类算法及其推广 147
11.1聚类分析的数据类型 147
11.2区间数和模糊数的性质和算子 149
11.3区间值数据的模糊c均值聚类新算法 150
11.3.1区间值数据的FCM算法一 151
10.4.1基于k近邻T平方统计量Tk的单峰检验 151
11.3.2区间值数据的FCM算法二 152
11.3.3区间值数据的FCM算法三 153
11.3.4三种算法的相互关系 154
11.4区间值数据FCM新算法的两个扩展 156
11.4.1模糊数的FCM算法 156
11.4.2基于特征加权的FCM算法 158
11.5实验结果与分析 160
12.1.1多阈值图像自动分割方法 164
第12章 模糊聚类分析的应用 164
12.1模糊聚类分析在图像分割中的应用 164
12.1.2光照不均匀图像分割算法 171
12.1.3纹理图像分割的模糊软聚类方法 176
12.2模糊聚类分析在模式识别中的应用 181
12.2.1基于模糊聚类的特征优选方法 182
12.2.2基于有监督聚类的特征空间划分方法 185
12.2.3实验结果与分析 191
展望 196
参考文献 198