snt14432004食品安全管理體系系列標準教程(編輯修改稿)
2025-06-21 23:00 本頁面
【文章內容簡介】 ⑴ 類別個數的確定主觀性強 。 如上面的分析中 ， 到底將數據樣本分成幾類才能最恰當地反映它們之間的相似程度未知 ， 只能通過建模者的主觀判斷進行試錯分析 。 ? ⑵ 層次聚類方法將所有數據樣本作為學習集 ，從中尋找數據樣本反映的規(guī)律 。 但是數據樣本中包含的信息除了反映共性規(guī)律外 ， 還有反映個性特征的信息 。 將所有數據樣本作為學習集得到的聚類結果可能可以很精確地反映學習集的情況 ， 但是對于新加入的 、 具有同一規(guī)律性的數據樣本就可能不適用 ， 即聚類結果不具有良好推廣能力 ， 出現 “ 過擬合 ” 。 如果這樣 ， 那么基于層次聚類的分析結果的可信度就值得懷疑 。 ? 基于相似合成算法的聚類方法可以解決以上 2個問題。 基于相似合成算法 的聚類方法簡介 ? 由 Lorence提出的相似體合成算法 （ Analog Complexing， 以下簡稱 AC） [1]是對模糊對象的預測 、 聚類和分類的一種序列模式識別方法 ， 最先提出 AC算法是為了解決對模糊經濟對象的預測問題 。 應用 AC算法進行預測時 ， 一般需要待研究的過程滿足以下假設： ? （ 1） 系統(tǒng)由多維過程所描述； ? （ 2） 多維過程的觀察值很多 （ 長期序列 ） ； ? （ 3） 多維過程是充分有代表性的 ， 即由基本的系統(tǒng)變量形成數據集； ? （ 4） 過程的行為一般將在一段時間內相似地重復 。 ? AC包含 3個步驟 [2]： 1） 待選模式的產生； 2） 待選模式的變換； 3） 相似模式的選取 。 待選模式的產生 待選模式的變換 ? 根據工作原理，對于長度為 k的某參照模式，在數據樣本中可能有一個或幾個長度為 k的相似模式。但是由于系統(tǒng)是動態(tài)的，不同時期的相似模式可能具有不同的平均值和標準方差。因此，需要用一種變換來描述這些差異，將模式變換到同一基準點上從而使各模式具有可比性。即為了下面將進行的模式間相似性的度量，必須尋找待選模式到參照模式的變換。一般取線性變換為： ??????????????????????????*1,*1,*1,1*,*,*,1***1................)]([kimkilkijimjiljimiliikixxxxxxxxxiPT 相似模式的選取 ? ⑴ 模式相似度 ? 這一步的主要目的是識別模式形狀間的相似性，其度量我們稱為模式相似度。一般地，第 i個待選模式與參照模式間的距離可定義為： ? ? 模式間的相似度可由距離來度量，如定義第i個模式與參照模式的相似度 si為： ，顯然距離值越大，模式相似度就越小。 ? ?? ??? ????? ???10 121,11 kjmrjkNrjiri xxklii ls /1?⑵ 相似模式的選取 ? 模式相似度計算出來以后 ， 我們就可以根據相似度大小來選取相似模式 。 ? 將 AC算法與數據分組處理（ Group Method of Data Handling，簡稱 GMDH）方法結合，形成了基于 AC算法的聚類方法。這種聚類方法的特點在于，根據模式（數據樣本）之間的相似度，按照自組織數據挖掘的思想，客觀、自動的產生
醫(yī)療健康相關推薦
鄂ICP備17016276號-1