模糊聚类分析报告例子1

1、1模糊聚类分析模型环境区域的污染情况由污染物在4个要素中的含量超标程度来衡量。设这5个环境区域的污染数据为 x, =(80, 10, 6, 2),x2 =(50, 1,6, 4), x3 =(90, 6,4, 6), X4=(40, 5, 7, 3),Xs=(10, 1,2, 4).试用模糊传递闭包法对X进行分类。解：80106250164由题设知特性指标矩阵为:X*906464057310124数据规格化：最大规格化'Xjxjj M j其中：Mjmax(x1j,X2j,.,Xnj)0.8910.86 0.330.56 0.1 0.86 0.67X。10.60.5710.440.510

2、.50.11 0.1 0.29 0.67构造模糊相似矩阵：采用最大最小法来构造模糊相似矩阵R (rj)5 50.54 0.62 0.63 0.240.5410.55 0.70 0.53R 0.62 0.5510.630.700.5610.380.240.530.370.3810.56 0.37利用平方自合成方法求传递闭包t(R)依次计算R2,R4,R8,由于R8 R4，所以t(R) R410.630.6310.620.560.630.700.530.53R20.620.5610.620.53，0.630.700.6210.530.530.530.530.53110.630.620.630.53

3、0.6310.620.700.53R40.620.6210.620.53 = R0.630.700.6210.530.530.530.530.531选取适当的置信水平值0,1,按 截矩阵进行动态聚类。把t(R)中的元素从大到小的顺序编排如下：1>0.70>0.63>062>. 依次取 =1, 0.70, 0.63,062,，得1000001000t(R)100100，此时X被分为 5类：%，X2，X3，X4，X500010000011000001010t(R)0.700100，此时X被分为4类： x1， X2，X4， X3， X501010000011101011010

4、t(R) 0.6300100，此时X被分为3类：X1，X2，X4， X3， X511010000011111011110t(R) 0.6211110，此时X被分为2类： x1，X2 ，X4 ，X3 ， X51111000001111111111111111，此时X被分为1类:11111t(R)0.53为，X2,X3,X4,X511111Matlab程序如下: %数据规格化MATLAB1序a=80 10 6 250 1 6 490 6 4 640 5 7 310 1 2 4;mu=max(a)for i=1:5for j=1:4r(i,j)=a(i,j)/mu(j);endendr%采用最大最小

5、法构造相似矩阵r=0.88891.00000.85710.33330.55560.10000.85710.66671.00000.60000.57141.00000.44440.50001.00000.50000.11110.10000.28570.6667;b=r'for i=1:5for j=1:5R(i,j)=sum(mi n( r(i,:);b(:,j)')/sum(max(r(i,:);b(:,j)'); endendR%利用平方自合成方法求传递闭包t(R)矩阵合成的MATLABS数fun cti onrhat=hech(r);n=len gth(r);for

6、 i=1: nfor j=1: nrhat(i,j)=max(mi n( r(i,:);r(:,j)');end end求模糊等价矩阵和聚类的程序R= 1.00000.54090.62060.62990.24320.54091.00000.54780.69850.53390.62060.54781.00000.55990.36690.62990.69850.55991.00000.38180.24320.53390.36690.38181.0000;R1= hech (R)R2=hech (R1)R3=hech (R2)bh=zeros(5);bh(fi nd(R2>0.7)=1

7、2.模糊综合评判模型某烟草公司对某部门员工进行的年终评定，关于考核的具体操作过程， 以对一名员工的考核为例。如下表所示，根据该部门工作人员的工作性质， 将18个指标分成工作绩效(U1 )、工作态度(U2)、工作能力(U3)和学习 成长(U4 )这4各子因素集。员工考核指标体系及考核表一级指标二级指标评价优秀良好一般较差差工作绩效工作量0.80.150.500工作效率0.20.60.10.10工作质量0.50.40.100计划性0.10.30.50.050.05工作态度责任感0.30.50.150.050团队精神0.20.20.40.10.1学习态度0.40.40.10.10工作主动性0.10.

8、30.30.20.1360度满意度0.10.20.50.20.1工作能力创新能力0.10.30.50.20自我管理0.20.30.30.10.1能力沟通能力0.20.30.350.150协调能力0.10.30.40.10.1执行能力0.10.40.30.10.1学习成长勤情评价0.30.40.20.10技能提咼0.10.40.30.10.1培训参与0.20.30.40.10工作提供0.40.30.20.10请专家设定指标权重，一级指标权重为:A040.3,0.2,0.1二级指标权重为：A020.3,0.3,0.2&0.3,0.2,0.1,0.2,0.2A0.1,0.2,0.3,0.2,

9、0.2A0.3,0.2,0.2,0.3对各个子因素集进行-级模糊综合评判得到：B1A oR|0.39,0.39,0.26,0.04,0.01B2A oR20.21,0.37,0.235,0.125,0.06B3A3OR30.15,0.32,0.355,0.125,0.06B4A 0R40.27,0.35,0.24,0.1,0.02这样，二级综合评判为:0.390.390.260.040.010.210.370.2350.1250.06B AOR 0.4,0.3,0.2,0.100.150.320.3550.1250.060.270.350.240.10.20.28,0.37,0.27,0.09

10、,0.04根据最大隶属度原则，认为该员工的评价为良好。同理可对该部门其他员工 进行考核。3.层次分析模型你已经去过几家主要的摩托车商店，基本确定将从三种车型中选购一种，你 选择的标准主要有：价格、耗油量大小、舒适程度和外观美观情况。经反复思考比较，构造了它们之间的成对比较判断矩阵137811553A= 1113751111853三种车型（记为a,b,c ）关于价格、耗油量、舒适程度和外表美观情况的成 对比较判断矩阵为耗油量 a b ca11/51/2b517c21/71夕卜表abca 11/5 3b 517c 1/ 3 1/ 71价格a b ca 123b 1/212c 1/3 1/2 1舒适

11、程度 a b ca 135b 1/ 314c 1/ 5 1/ 41根据上述矩阵可以看出四项标准在你心目中的比重是不同的，请按由重到轻顺序将它们排出。解：用matlab求解层次总排序的结果如下表准则价格耗油量舒适程度外表总排序权值准则层权值0.58200.27860.08990.0495方a0.53960.10560.62670.18840.4091单排序b0.29700.74450.27970.73060.4416权值c0.16340.14990.09360.08100.1493Matlab程序如下:clc,clearn1=4;n2=3;a=13 7 81/3 1 5 51/7 1/5 1 3

12、1/8 1/5 1/3 1;b1=12 31/2 1 21/3 1/2 1 ;b2=1 1/5 1/251721/7 1 ;b3=13 51/3 1 41/5 1/4 1 ; b4=1 1/5 351 7% 一致性指标RI1/3 1/7 1;ri=0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45; x,y=eig(a);%x为特征向量，y为特征值lamda=max(diag(y);n um=fi nd(diag(y)=lamda); wO=x(: ,n um)/sum(x(:, num);w0%准则层特征向量CR0=(lamda-n 1)/( n1-1)/ri( n

13、1) for i=1: n1%准则层一致性比例x,y=eig(eval(char('b'lamda=max(diag(y);,in t2str(i);n um=fi nd(diag(y)=lamda); w1(:,i)=x(:, num)/sum(x(: ,n um); CR1(i)=(lamda-n2)/( n2-1)/ri( n2); end% 方案层的特征向量% 方案层的一致性比例w1CR1, ts=w1*w0, CR=CR1*w0%ts为总排序的权值，CR为层次总排序的随机一致性比例%当CR小于0.1时，认为总层次排序结果具有较满意的一致性并接受该结果，否则对判断矩阵

14、适当修改4.灰色预测GM( 1,1 )模型某地区年平均降雨量数据如表某地区年平均降雨量数据年份122345678降雨量390.6412320559.2380.8542.4553310561年份10911121314151617降雨量300390.6632540406.2313.8576587.6318.5规定hz=320，并认为x(0)(i)v=hz为旱灾。预测下一次旱灾发生的时间解：初始序列如下x(0) =(390.6,412,320,559.2,380.8,542.4,553,310,561,300,632,540,406.2,313.8,576,587.6,318.5)由于满足x(0)(

15、i)<=320的x(0)(i)为异常值，易得下限灾变数列为x0z= (320,310,300,313.8,318.5)其对应的时刻数列为t = (3,8,10,14,17)建立GM( 1,1)模型(1) 对原始数据t做一次累加，即t(1) = (3,11,21,35,52)(2) 构造数据矩阵及数据向量(3) 计算a, ba=-0.2536, b=6.2585(4) 建立模型y=-24.6774+27.6774*exp(.253610*t)(5) 模型检验年份原始值模型值残差相对误差级比偏差333.000887.98960.01040.00130.5161101010.2960-0.29

16、600.0296-0.0324141413.26810.73190.05230.0783171717.0983-0.09830.0058-0.0627(6)通过计算可以预测到第六个数据是22.0340由于22.034与17相差5.034,这表明下一次旱灾将发生在五年以后。计算的MATLAB程序如下：clc,cleara=390.6,412,320,559.2,380.8,542.4,553,310,561,300,632,540,406.2,313.8,576,587.6,318.5'x0=fi nd(a<=320);x0=x0'n=len gth(x0)lamda=x0

17、(1: n-1)./x0(2:n)ran ge=minm ax(lamda)x1=cumsum(x0)for i=2: nz(i)=0.5*(x1(i)+x1(i-1);endB=-z(2: n)', o nes( n-1,1);Y=x0(2: n)'u=BYx=dsolve( 'Dx+a*x=b' ，x(0)=x0');x=subs(x, 'a', 'b', 'x0',u(1),u(2),x1(1);yuce1=subs(x, 't',0: n-1);digits(6),y=vpa(x)y

18、uce=x0(1),diff(yuce1)epsil on= x0-yucedelta=abs(epsil on. /x0)rho=1-(1-0.5*u(1)/(1+0.5*u(1)*lamdayuce1=subs(x, 't',0: n);yuce=x0(1),diff(yuce1)5. Verhulst预测模型在实际问题中，常遇到原始数据本身呈S形的过程，这时，可取原始数据为x，其一次累减生成(1 IAGO)为x(0)，建立Verhulst 模型，直接对x进行预测(模拟)。现以中国道路交通事故死亡人数为例，建立交通事故死亡人数Verhualst预测模型。由中国交通年鉴、中国

19、汽车工业年鉴等可得近年来中国道路交通事故死亡人数统计资料，见表14表14道路交通事故死亡人数统计年份19901991199219931994199519961997死亡人数（万人）4.935.335.876.356.637.157.377.39年份1998199920002001200220032004死亡人数（万人）7.818.359.3910.5910.9410.4410.71解：19902003年中国道路交通事故死亡人数曲线见图 2,可见曲线呈 S形，故可建立Verhulst模型进行预测，其建模过程如下。(1) 设x为19902003年死亡人数的原始数据序列，即X (x,x21),x31

20、).X1(4)(4.93, 5.33, 5.87, 6.35, 6.63, 7.15,7.37, 7.39, 7.81, 8.35, 9.39,10.59,10.94,10.44)(2) 对x(1)作一次累减生成(1 IAGO ),由xk0)xk1)xk1)1, k2,3,.14x(0)(x10) ,x20)，乂4)(4.93, 0.4, 0.54, 0.48, 0.28, 0.52, 0.22,0.02, 0.42, 0.54,1.04,1.2, 0.35, -0.5)(3) 对x作紧邻均值生成，令zk1)0.5(xk1)xk1)i), k 2,3,.14得z(zj, z31),.z14)(

21、5.13, 5.6, 6.11,6.49, 6.89, 7.26, 7.38,7.6, 8.08, 8.87, 9.99,10.765,10.69)(4) 对参数列(a,b)T进行最小二乘估计，得(BtB)1bty0.1280.0089(5) Verhulst模型为dxdt0.128x0.0089( x(1)2(6) 模型精度检验(过程略)平均相对误差= 3.74%，贝U模型精度为二级；同时算得绝对关联度g为 0.9845,均方差比值C为0.2355,则模型精度为一级，可见模型精度较高，可用 于事故预测。Matlab编程如下clc,clearx1=4.93 5.33 5.87 6.35 6.6

22、3 7.15 7.37 7.39 7.81 8.35 9.39 10.59 10.9410.44;n=len gth(x1);nian=1990:2003;plot( nian ,x1,'o-');x0=diff(x1);x0=x1(1),x0for i=2: nz1(i)=0.5*(x1(i)+x1(i-1);end z1B=_z1(2:e nd)', z1(2:e nd)'.A2Y=x0(2:e nd)'abhat=BYx=dsolve( 'Dx+a*x=b*xA2' , 'x(0)=x0');x=subs(x, &#

23、39;a', 'b', 'x0',abhat(1),abhat(2),x1(1);yuce=subs(x, 't',0:n-1);digits® x=vpa(x)x1_all=x1;epsilo n= x1_all-yucedelta=abs(epsilo n./x1_all)delta_mea n=mea n( delta)x1_all_0=x1_all-x1_all(1);yuce_0=yuce-yuce(1);s0=abs(sum(x1_all_0(1:e nd-1)+0.5*x1_all_0(e nd);s1=abs(s

24、um(yuce_0(1:e nd-1)+0.5*yuce_0(e nd);tt=yuce_0-x1_all_0;s1_s0=abs(sum(tt(1:e nd-1)+0.5*tt(e nd);absdegree=(1+s0+s1)/(1+s0+s1+s1_s0)c=std(epsilo n,1)/std(x1_all,1)yuce=subs(x, 't',0:n)6.GM (2,1)模型19962001年市上网户数数据序列为x(0) (x(0)(1),x(0) (2),.x(0) (6)(0.33,0.9,10.24, 42.24,88.24,104.1)在互联网发展初期，增长

25、势头十分强劲。因此，定理5引入的一阶缓冲算子弱化 该序列的增长趋势，一阶缓冲序列仍记为x(0)，x(0)=(41,49,61,78,96,104，试以该序列为基础建立GM(2,1)模型解：x(0)的1-AGO序列和1-IAGO序列分别为x=(41,90,151,229, 325, 429)(1)x(0) =(0, 8,12,17,18, 8)x(1)的紧邻均值生成序列z=(0, 65.5,120.5,190, 277, 377)x(0)(2),z(1)( 2),1(1)x(0)x(0)x(0)(1)B=x(0)(3),z(3),1，Y=(1)x(0)=x(0)x(0)x(0)(6),z(1)(

26、 6),1(1)x(0)x(0)x(0)a11.0922aa2(btB)1BTY0.1959b31.7983可得,GM(2,1)时间响应式x (k 1)=-.532426*exp(.865973*t)+203.850*exp(.226223*t)-162.317 所以预测的数据为(41, 51,63, 77, 92,104)误差分析实际数据模拟数据残差相对误差4951.0148-2.01480.04116163.1412-2.14120.03517877.21110.78890.01019692.15483.84520.0401104104.4780-0.47800.0046Matlab程序如

27、下clc,clearx0=41,49,61,78,96,104;n=len gth(x0);x1=cumsum(x0) %x1 为累加数列 a_x0=diff(x0);a_x0=0,a_x0 % a_x0为累减数列for i=2: nz(i)=0.5*(x1(i)+x1(i-1);endB=-x0(2:e nd)',-z(2:e nd)', o nes( n-1,1);Y=a_x0(2:e nd)'u=BY %a1，a2，b 的值x=dsolve( 'D2x+a1*Dx+a2*x=b'，x(0)=c1,x(5)=c2');x=subs(x, &#

28、39;a1', 'a2', 'b', 'c1', 'c2',u(1),u(2),u(3),x1(1),x1 (6);yuce=subs(x, 't',0:n-1);digits(6),x=vpa(x) %x为时间响应式xO_hat=yuce(1),diff(yuce) %预测的数据epsilo n=xO-xO_hat %计算残差delta=abs(epsilo n. /x0) %计算相对误差7波形预测模型证券交易所综合指数的波形预测。根据证券交易所综合指数的周收盘指数数据，从1997年2月 21日到1998

29、年10月31日的周收盘指数曲线如图所示：解：取9条等间隔的等高线，分别为1=1140,2=1170，3 =1200，4=1230,5=1260,6=1290，7=1320,8 =1350, 9 =1380i的等高时刻序列分别为对应于 1 =1140,(0)/、Q1 =( 4.4,31.7,34.2,41,42.4,76.8,78.3)对应于 2=1170,(0)Q2 =( 5.2,19.8,23,25.6,26.9,31.2,34.8,39.5,44.6,76,76.2,79.2)对应于 3=1200,4=1230,5=1260,6=1290,7=1320,8=1350,9 =1380分别为(

30、0)Q3 =( 5.9,19.5,24.8,25.2,26.5,30.3,46.2,53.4,55.4,75.5,79.7)Q40) =( 6.5,19.2,28.3,29.5,49.7,50.8,56.2,76.4,82.9,85)q50) =(7,14.2,16.4,16.5,18.8,56.7,75.2)q60)=(8.3,13.4,16.9,56.2,74.6)q70) =(8.8,12.8,60.2,71.8,72.7,73.6)q80)=(9.6,12.5,61.8,69.8,70.9,71.8)q90) =( 10.8,12.4,64.1,69)对 Qi(0)(i=1,2,3,9

31、)序列，进行 GM (1,1)预测，起响应时分别为y1=-109.738+114.*exp(0.214831*t)y2=-94.0581+99.2581*exp(0.158430*t)y3=-94.6529+100.553*exp(.166865*t)y4=-145.162+151.662*exp(.159938*t)y5=-3.68695+10.6869*exp(.446077*t)y6=-12.1881+20.4881*exp(.550388*t)y7=-176.276+185.076*exp(.191636*t)y8=-182.496+192.096*exp(.185059*t)y9=-34.6983+45.4983*exp(.488018*t)等高时刻的预测序列对在1998年11月到2000年3月这5个月进行预测，可得(0)Q! = (99.3,123.1)(0)Q2 = (97.3,114.1,.6)