模糊聚类分析方法：从模糊等价矩阵到动态分类

一、模糊聚类分析的核心思想

在实际工程技术和经济管理问题中，我们常常需要对对象进行分类。例如，根据生物特征对物种分类、根据气候特征对城市分类、根据用户行为对客户群体分类等。传统的聚类分析基于清晰的分类边界，但现实中许多分类问题具有模糊性——类与类之间的界限并不分明。例如，"青年"与"中年"的年龄界限、空气质量等级的划分等。

模糊聚类分析正是为了解决这类模糊分类问题而提出的方法。它通过建立模糊关系矩阵，结合模糊数学理论，将对象的相似性转化为数值化的隶属度，从而实现对模糊类别的动态划分。

二、模糊等价矩阵：分类的数学基础

2.1 模糊等价矩阵的定义

设 $R=(r_{ij}{)}_{n\times n}$ 是一个 $n$ 阶模糊矩阵，若满足以下三个条件：

1. 自反性：$r_{ii}=1$（对角线元素全为1）；
2. 对称性：$r_{ij}=r_{ji}$（矩阵对称）；
3. 传递性：$R\circ R\subseteq R$（即 $R^2\le R$）；

则称 $R$ 为模糊等价矩阵。

传递性的直观解释

传递性保证了若 $x_i$ 与 $x_j$ 相似，$x_j$ 与 $x_k$ 相似，则 $x_i$ 与 $x_k$ 必须具有一定程度的相似性。数学上通过模糊矩阵的合成运算来验证：

R 2 = R ∘ R , 其中 c i j = max ⁡ 1 ≤ k ≤ n { r i k ∧ r k j } R^2 = R \circ R, \quad \text{其中} \quad c_{ij} = \max_{1 \leq k \leq n} \{ r_{ik} \land r_{kj} \} R2=R∘R,其中cij​=1≤k≤nmax​{rik​∧rkj​}

若 $R^2\le R$（即所有元素满足 $c_{ij}\le r_{ij}$），则 $R$ 满足传递性。

2.2 模糊等价矩阵的性质

定理：若 $R$ 是模糊等价矩阵，则对任意 $\lambda \in [0,1]$，其 $\lambda$-截矩阵 $R_{\lambda }$ 是经典等价矩阵（布尔矩阵）。

$\lambda$-截矩阵的定义

对模糊矩阵 $R$，给定阈值 $\lambda$，构造布尔矩阵 $R_{\lambda }$：

$$a_{ij}^{(\lambda )}=\{\begin{array}{ll}1,& r_{ij}\ge \lambda \\ 0,& r_{ij}<\lambda \end{array}$$

动态分类特性

当 $\lambda$ 从 1 逐渐降低到 0 时，$R_{\lambda }$ 的分类结果从最细（每个对象单独一类）逐步合并为最粗（所有对象归为一类）。这种动态变化过程可以通过聚类图直观展示。

2.3 示例：模糊等价矩阵的聚类过程

例1：设论域 X = { x 1 , x 2 , x 3 , x 4 , x 5 } X = \{x_1, x_2, x_3, x_4, x_5\} X={x1​,x2​,x3​,x4​,x5​}，模糊等价矩阵为：

$$R=\left(\begin{array}{ccccc}1& 0.4& 0.8& 0.5& 0.5\\ 0.4& 1& 0.4& 0.4& 0.4\\ 0.8& 0.4& 1& 0.5& 0.5\\ 0.5& 0.4& 0.5& 1& 0.6\\ 0.5& 0.4& 0.5& 0.6& 1\end{array}\right)$$

不同 $\lambda$ 值的分类结果：

• $\lambda =1$： { x 1 } , { x 2 } , { x 3 } , { x 4 } , { x 5 } \{x_1\}, \{x_2\}, \{x_3\}, \{x_4\}, \{x_5\} {x1​},{x2​},{x3​},{x4​},{x5​}
• $\lambda =0.8$： { x 1 , x 3 } , { x 2 } , { x 4 } , { x 5 } \{x_1, x_3\}, \{x_2\}, \{x_4\}, \{x_5\} {x1​,x3​},{x2​},{x4​},{x5​}
• $\lambda =0.6$： { x 1 , x 3 } , { x 2 } , { x 4 , x 5 } \{x_1, x_3\}, \{x_2\}, \{x_4, x_5\} {x1​,x3​},{x2​},{x4​,x5​}
• $\lambda =0.5$： { x 1 , x 3 , x 4 , x 5 } , { x 2 } \{x_1, x_3, x_4, x_5\}, \{x_2\} {x1​,x3​,x4​,x5​},{x2​}
• $\lambda =0.4$： { x 1 , x 2 , x 3 , x 4 , x 5 } \{x_1, x_2, x_3, x_4, x_5\} {x1​,x2​,x3​,x4​,x5​}

通过调整 $\lambda$，我们可以观察到类别的动态合并过程。

三、模糊相似矩阵：从相似性到等价性

3.1 模糊相似矩阵的定义

在实际问题中，直接构造模糊等价矩阵较为困难。更常见的是先构造模糊相似矩阵，再通过计算其传递闭包得到模糊等价矩阵。

设 $R=(r_{ij}{)}_{n\times n}$ 是模糊矩阵，若满足：

1. 自反性：$r_{ii}=1$；
2. 对称性：$r_{ij}=r_{ji}$；

则称 $R$ 为模糊相似矩阵。

3.2 传递闭包的计算方法

定理：对任意模糊相似矩阵 $R$，存在最小自然数 $k$，使得 $R^k$ 是模糊等价矩阵，称为 $R$ 的传递闭包，记为 $t(R)$。

平方法计算传递闭包

通过迭代计算 $R^2,R^4,R^8,\dots$ 直到 $R^{2^k}=R^{2^{k+1}}$，此时 $t(R)=R^{2^k}$。

步骤：

1. 计算 $R^2=R\circ R$；
2. 若 $R^2\ne R$，计算 $R^4=R^2\circ R^2$；
3. 重复直到 $R^{2^k}=R^{2^{k+1}}$。

3.3 示例：传递闭包的计算

例2：设模糊相似矩阵为：

$$R=\left(\begin{array}{ccc}1& 0.1& 0.2\\ 0.1& 1& 0.3\\ 0.2& 0.3& 1\end{array}\right)$$

计算过程：

1. 计算 $R^2$：
   $$R^2=R\circ R=\left(\begin{array}{ccc}1& 0.2& 0.2\\ 0.2& 1& 0.3\\ 0.2& 0.3& 1\end{array}\right)$$
2. 计算 $R^4=R^2\circ R^2$，发现 $R^4=R^2$，因此 $t(R)=R^2$。

验证 $t(R)$ 满足传递性：
$$t(R)\circ t(R)=t(R)$$

四、模糊聚类分析的一般步骤

4.1 数据标准化

原始数据可能存在量纲差异，需进行标准化处理。常用方法：

1. 平移-标准差变换：
   $$x_{ij}^{\prime }=\frac{x_{ij}-{\bar{x}}_j}{s_j},{\bar{x}}_j=\frac{1}{n}\sum _{i=1}^n{x}_{ij},s_j=\sqrt{\frac{1}{n-1}\sum _{i=1}^n(x_{ij}-{\bar{x}}_j{)}^2}$$
2. 平移-极差变换：
   $$x_{ij}^{\prime }=\frac{x_{ij}-\min x_j}{\max x_j-\min x_j}$$

4.2 构建模糊相似矩阵

常用相似系数计算方法：

1. 数量积法：
   $$r_{ij}=\{\begin{array}{ll}1,& i=j\\ \frac{1}{M}{\sum }_{k=1}^m{x}_{ik}\cdot x_{jk},& i\ne j\end{array}$$
2. 夹角余弦法：
   $$r_{ij}=\frac{\left|{\sum }_{k=1}^m{x}_{ik}{x}_{jk}\right|}{\sqrt{{\sum }_{k=1}^m{x}_{ik}^2}\sqrt{{\sum }_{k=1}^m{x}_{jk}^2}}$$
3. 欧氏距离法：
   $$r_{ij}=1-\frac{\sqrt{{\sum }_{k=1}^m(x_{ik}-x_{jk}{)}^2}}{\max \text{距离}}$$

4.3 动态聚类过程

1. 计算传递闭包 $t(R)$；
2. 从高到低选取 $\lambda$ 值，生成 $\lambda$-截矩阵；
3. 根据 $R_{\lambda }$ 的分类结果绘制动态聚类图。

五、总结

模糊聚类分析通过模糊等价矩阵和动态阈值 $\lambda$，实现了对模糊性数据的灵活分类。其核心步骤包括：

1. 数据标准化；
2. 构建模糊相似矩阵；
3. 计算传递闭包；
4. 动态聚类分析。

该方法在图像识别、市场细分、环境监测等领域有广泛应用。理解模糊等价矩阵的性质和传递闭包的计算方法，是掌握模糊聚类分析的关键。