本文目录一览：
数学建模中模糊聚类分析法的优缺点
1、另外，聚类分析的优势是通过树立的角度对数据做智能划分，免去人工划分的痛苦。同时，一个对象由若干种不同性质的属性构成，通过聚类进行分类，为人们做决策提供参考。
2、缺点 对K值敏感。也就是说，K的选择会较大程度上影响分类效果。
3、模糊综合评价法的优点：模糊综合评价法的缺点：定义：设U是论域，称映射 确定了一个U上的模糊子集 。映射 称为 隶属函数， 称为x对A的隶属程度，简称隶属度。
4、、聚类分析 基本原理：将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。
5、由于模糊聚类得到了样本属于各个类别的不确定性程度，表达了样本类属性的中介性，即建立起了样本对于类别的不确定性描述，更能客观的反映实际事物，从而成为聚类分析研究的主流。
模糊C均值聚类算法(FCM)
模糊c-均值聚类算法 fuzzy c-means algorithm (FCMA)或称（ FCM）。
假设样本集合为X={x1 ，x2 ，…，xn }，将其分成c 个模糊组，并求每组的聚类中心cj （ j=1，2，…，C） ，使目标函数达到最小。
模糊聚类（FCM）是聚类分析方法中的一种，是模糊数学融入K-means，对其进行改进。一般的划分算法，如K-means，是把数据划分到不相交的类中的。即每个数据通过计算最终都将属于一个且唯一一个聚类。
模糊聚类分析的常用分类方法
模糊聚类已经在诸多领域获得了广泛的应用，如模式识别、图像处理、信道均衡、矢量量化编码、神经网络的训练、参数估计、医学诊断、天气预报、食品分类、水质分析等。
其算法主要有传递闭包法、动态直接聚类法和最大树法等，其中动态直接聚类法计算量最少。在实际应用中必须经过数据预处理、特别是归一化等处理步骤，选取合适的模糊关系建立模糊相似矩阵，然后进行聚类和模式识别。
最优分类的标准是样本与聚类中心的距离平方和最小。因为一个样本是按不同的隶属度属于各类的，所以应同时考虑它与每一类的聚类中心的距离。逐步聚类法需要反复迭代计算，计算工作量很大，要在电子计算机上进行。
）分类数不定，根据不同要求对事物进行动态聚类，此类方法是基于模糊等价矩阵聚类的，称为模糊等价矩阵动态聚类分析法。2）分类数给定，寻找出对事物的最佳分析方案，此类方法是基于目标函数聚类的，称为模糊C 均值聚类。
一般来说，用经典数学来描述现实的分类，往往不令人满意，而用模糊聚类分析的方法，即用模糊数学方法来进行聚类分析，描述现实的分类，更显得自然，也更符合实际。
