---

一、模糊聚類分析的核心思想

在實際工程技術和經濟管理問題中，我們常常需要對對象進行分類。例如，根據生物特征對物種分類、根據氣候特征對城市分類、根據用戶行為對客戶群體分類等。傳統的聚類分析基于清晰的分類邊界，但現實中許多分類問題具有模糊性——類與類之間的界限并不分明。例如，"青年"與"中年"的年齡界限、空氣質量等級的劃分等。

模糊聚類分析正是為了解決這類模糊分類問題而提出的方法。它通過建立模糊關系矩陣，結合模糊數學理論，將對象的相似性轉化為數值化的隸屬度，從而實現對模糊類別的動態劃分。

---

二、模糊等價矩陣：分類的數學基礎

2.1 模糊等價矩陣的定義

設 $R=(r_{ij}{)}_{n\times n}$ 是一個 $n$ 階模糊矩陣，若滿足以下三個條件：

1. 自反性：$r_{ii}=1$（對角線元素全為1）；
2. 對稱性：$r_{ij}=r_{ji}$（矩陣對稱）；
3. 傳遞性：$R°R?R$（即 $R^2\le R$）；

則稱 $R$ 為模糊等價矩陣。

傳遞性的直觀解釋

傳遞性保證了若 $x_i$ 與 $x_j$ 相似，$x_j$ 與 $x_k$ 相似，則 $x_i$ 與 $x_k$ 必須具有一定程度的相似性。數學上通過模糊矩陣的合成運算來驗證：

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 $R^2\le R$（即所有元素滿足 $c_{ij}\le r_{ij}$），則 $R$ 滿足傳遞性。

2.2 模糊等價矩陣的性質

定理：若 $R$ 是模糊等價矩陣，則對任意 $\lambda \in [0,1]$，其 $\lambda$-截矩陣 $R_{\lambda }$ 是經典等價矩陣（布爾矩陣）。

$\lambda$-截矩陣的定義

對模糊矩陣 $R$，給定閾值 $\lambda$，構造布爾矩陣 $R_{\lambda }$：

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

動態分類特性

當 $\lambda$ 從 1 逐漸降低到 0 時，$R_{\lambda }$ 的分類結果從最細（每個對象單獨一類）逐步合并為最粗（所有對象歸為一類）。這種動態變化過程可以通過聚類圖直觀展示。

---

2.3 示例：模糊等價矩陣的聚類過程

例1：設論域 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?}，模糊等價矩陣為：

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

不同 $\lambda$ 值的分類結果：

• $\lambda =1$： { 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?}

通過調整 $\lambda$，我們可以觀察到類別的動態合并過程。

---

三、模糊相似矩陣：從相似性到等價性

3.1 模糊相似矩陣的定義

在實際問題中，直接構造模糊等價矩陣較為困難。更常見的是先構造模糊相似矩陣，再通過計算其傳遞閉包得到模糊等價矩陣。

設 $R=(r_{ij}{)}_{n\times n}$ 是模糊矩陣，若滿足：

1. 自反性：$r_{ii}=1$；
2. 對稱性：$r_{ij}=r_{ji}$；

則稱 $R$ 為模糊相似矩陣。

3.2 傳遞閉包的計算方法

定理：對任意模糊相似矩陣 $R$，存在最小自然數 $k$，使得 $R^k$ 是模糊等價矩陣，稱為 $R$ 的傳遞閉包，記為 $t(R)$。

平方法計算傳遞閉包

通過迭代計算 $R^2,R^4,R^8,\dots$ 直到 $R^{2^k}=R^{2^{k+1}}$，此時 $t(R)=R^{2^k}$。

步驟：

1. 計算 $R^2=R°R$；
2. 若 $R^2\ne R$，計算 $R^4=R^2°R^2$；
3. 重復直到 $R^{2^k}=R^{2^{k+1}}$。

---

3.3 示例：傳遞閉包的計算

例2：設模糊相似矩陣為：

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

計算過程：

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

驗證 $t(R)$ 滿足傳遞性：
$$t(R)°t(R)=t(R)$$

---

四、模糊聚類分析的一般步驟

4.1 數據標準化

原始數據可能存在量綱差異，需進行標準化處理。常用方法：

1. 平移-標準差變換：
   $$x_{ij}^{\prime }=\frac{x_{ij}?{\bar{x}}_j}{s_j},{\bar{x}}_j=\frac{1}{n}\sum _{i=1}^n{x}_{ij},s_j=\sqrt{\frac{1}{n?1}\sum _{i=1}^n(x_{ij}?{\bar{x}}_j{)}^2}$$
2. 平移-極差變換：
   $$x_{ij}^{\prime }=\frac{x_{ij}?\min x_j}{\max x_j?\min x_j}$$

4.2 構建模糊相似矩陣

常用相似系數計算方法：

1. 數量積法：
   $$r_{ij}=\{\begin{array}{ll}1,& i=j\\ \frac{1}{M}{\sum }_{k=1}^m{x}_{ik}?x_{jk},& i\ne j\end{array}$$
2. 夾角余弦法：
   $$r_{ij}=\frac{\left|{\sum }_{k=1}^m{x}_{ik}{x}_{jk}\right|}{\sqrt{{\sum }_{k=1}^m{x}_{ik}^2}\sqrt{{\sum }_{k=1}^m{x}_{jk}^2}}$$
3. 歐氏距離法：
   $$r_{ij}=1?\frac{\sqrt{{\sum }_{k=1}^m(x_{ik}?x_{jk}{)}^2}}{\max \text{距離}}$$

4.3 動態聚類過程

1. 計算傳遞閉包 $t(R)$；
2. 從高到低選取 $\lambda$ 值，生成 $\lambda$-截矩陣；
3. 根據 $R_{\lambda }$ 的分類結果繪制動態聚類圖。

---

五、總結

模糊聚類分析通過模糊等價矩陣和動態閾值 $\lambda$，實現了對模糊性數據的靈活分類。其核心步驟包括：

1. 數據標準化；
2. 構建模糊相似矩陣；
3. 計算傳遞閉包；
4. 動態聚類分析。

該方法在圖像識別、市場細分、環境監測等領域有廣泛應用。理解模糊等價矩陣的性質和傳遞閉包的計算方法，是掌握模糊聚類分析的關鍵。