簡易檢索 / 詳目顯示

回結果列表
研究生： 葉耀昇
Yeh , Yao-Sheng
論文名稱： 架構在相似度下的LR型模糊數之聚類分析及其應用
A Similarity-Based clustering algorithm for LR-type fuzzy numbers and its applications
指導教授： 洪文良
Hung , Wen-Liang
口試委員:
學位類別： 碩士
Master
系所名稱： 電機資訊學院 - 資訊工程學系
Computer Science
論文出版年： 2008
畢業學年度： 96
語文別： 中文
論文頁數： 36
中文關鍵詞： SCM演算法 、聚類分析 、強韌性 、LR型模糊數
外文關鍵詞： SCM, clustering analysis, robust, LR-type fuzzy numbers
相關次數： 點閱：2  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 在本篇論文中，我們將廣泛的使用SCM演算法來達到我們的要求。SCM演算法是一種聚類分析的演算法，其最主要的功能是分辨出原始資料可能被分成幾群。而SCM演算法在此聚類分析演算法中，可以說是具有強韌性(Robust)的演算法，而此即是本文章使用該演算法最主要的原因。另外，LR型糢糊數也算是一種類型的模糊數資料型態的代表，在使用此種表示法可補充在原始資料所欠缺不足的資訊。至此，以SCM演算法和LR型模糊數為一改良的方法，而發展出新的演算式，更可以得到令人意想不到的結果。在文章的一開始，將以SCM演算法與LR型模糊數做結合，更以實驗的結果顯示出新式SCM演算法的特性，在實驗中也將顯示出新的演算法在評估資料中佔有優勢。

    In this paper, we use SCM to obtain our requirements. The SCM is one clustering analysis method, its most main function is to distinguish the original information to divide into several clusters. In the clustering analysis, the SCM is robust. This is the main reason we use the SCM in this article. Moreover, the LR-type fuzzy numbers is one type of fuzzy numbers, which using the method of clustering analysis to supplement that is short of the insufficient information in the original data. Hence, take the SCM and the LR-type fuzzy numbers as an improvement method, and develops this becoming a new method. It may obtain the unexpected result. In the article from the very beginning, we will make the union by the SCM and the LR-type fuzzy numbers, and we will test the result to show the new style of the characteristic in SCM, and we also will demonstrate the new method to show the superiority in estimating data in the experiment.

    中文摘要 II 英文摘要 III 目錄 IV 圖表目錄 V 第一章 緒論 1 第二章 演算法的介紹 3 第三章 實驗數值比較與結果分析 7 第四章 改良方法及其應用 19 第五章 結論 30 參考文獻 31 圖 1 表1的原始資料分布圖 8 圖 2 表1的原始資料與群心的位置分布圖 γ=5 8 圖 3 表2的原始資料分布圖 10 圖 4 表2的原始資料與群心的位置分布圖 γ=5 10 圖 5 表3的原始資料分布圖 12 圖 6 表3的原始資料與群心的位置分布圖 γ=5 12 圖 7 三角模糊數的五點量化表 13 圖 8 表4的原始資料分布圖 14 圖 9 表4的原始資料與群心的位置分布圖 γ=5 14 圖 10 範例五的原始資料分布圖 16 圖 11 範例五的原始資料與群心的位置分布圖 γ=5 17 圖 12 相關係數的圖示例子 19 圖 13 表1在WSCM中的相關係數 20 圖 14 表1的原始資料與群心的位置分布圖 γ=2 20 圖 15 表2在WSCM中的相關係數 21 圖 16 表2的原始資料與群心的位置分布圖 γ=3 21 圖 17 表3在WSCM中的相關係數 22 圖 18 表3的原始資料與群心的位置分布圖 γ=3 22 圖 19 表4在WSCM中的相關係數 23 圖 20 表4的原始資料與群心的位置分布圖 γ=5 23 圖 21 表4的原始資料與群心的位置分布圖 γ=6 23 圖 22 表4的原始資料與群心的位置分布圖 γ=7 24 圖 23 範例五在WSCM中的相關係數 25 圖 24 範例五的原始資料與群心的位置分布圖 γ=7 25 圖 25 範例五的原始資料與群心的位置分布圖 γ=8 25 圖 26 範例五的原始資料與群心的位置分布圖 γ=9 25 圖 27 範例五的原始資料與群心的位置分布圖 γ=8 無權重 26 圖 28 表5在WSCM中的相關係數 27 表 1 範例一的資料表 7 表 2 範例二的資料表 9 表 3 範例三的資料表 11 表 4 台灣茶葉的品質比較表 15 表 5 血壓表 28

    [1]. K.L. Wu and M.S. Yang, Mean shift-based clustering, Pattern Recognition 40 (2007) 3035 – 3052.
    [2]. M.S. Yang and K.L. Wu, A Similarity-Based Robust clustering Method, IEEE Trans. Pattern analysis and Machine Intelligence 26 (2004) 434 – 448.
    [3]. P. D’Urso and P. Giordani, A weighted fuzzy c-means clustering model for fuzzy data, Computational Statistics & Data Analysis 50 (2006) 1496 – 1523.
    [4]. W.L. Hung and M.S. Yang, Fuzzy clustering on LR-type fuzzy numbers with an application in Taiwanese tea evaluation, Fuzzy Sets and Systems 150 (2005) 561 – 577.
    [5]. L.A. Zadeh, Fuzzy sets, Inform. Control 8 (1965) 338–353.

    無法下載圖示 全文公開日期 本全文未授權公開 (校內網路)
    全文公開日期 本全文未授權公開 (校外網路)

    QR CODE