在现实生活中的分类,很多时候是在没有任何关于样本的先验知识的情况下进行分类,这样毫无经验的分类很难有良好的效果。因此需要有效的方法来发现样本的内在相似性。这里引入非监督学习的方法来设计分类系统,该方法称为数据聚类。通过探究分类数据的内部结构,根据其特征向量通过聚类形式将相似的数据分为一组,从而达到分类的目的。传统的分类对于同一事物的划分,只会将其划分为特定类别屮的一类,不会划分为其它类别,具有非此即彼的特性,其界限足十分清楚的。但是对于实际问题来说,以钢铁工业系统的现场数据为例,根据数据的大小可以分成“很小”、“小”、“中等”、“大”、“很大”等若干类,而这几类之间并没有一个确定的界限,也就没有一个统一判别的标准,试想很难直接判断某个数值是属于哪一类,所以分类本身就是-?个具有模糊性的问题,因此本文引入模糊的概念。
手机:13852470271 电话:0516-85107999
邮件:mchh999@126.com