模糊分类与聚类
模式识别方法的选择取决于对象的特征和问题的性质，模糊分类采用模糊数学语言对事物按照 规则或隶属度进行描述和分类.
非参数分类方法——以类别隶属度表达特征属于某一类别的程度
基于经验规则而不具有自学习的特征
模糊分类简单实用，方法的局限性限制了其应用，主要在于：
可用于设计分类规则的信息相当有限，例如类别隶属度的数量、宽度 及位置等等；
当特征数较多或高维情况时，模糊分类方法不再适用；
模糊分类不适用于学习率变化的情况；
模糊分类不具有自适应性能。
基于规则的分类
给每个特征赋予一个隶属度值：
与 决策树关系：
规则的学习
分类规则的提取与设计需满足：
互斥规则（Mutually exclusive rules）：每一个样本记录 最多只能触发一条规则，规则集中不存在两条规则被同 一条记录覆盖的情况，则称规则集是互斥规则；
穷举规则（Exhaustive rules）：每一个样本记录至少触 发一条规则，如果对属性值的任一组合，都存在一条规 则可以覆盖该情况，则称规则集是穷举规则。
【例】基于模糊逻辑的图像边缘提取
1 图像边缘简介
边缘：图像边缘是像素灰度存在阶跃变化或屋脊状变化的像素的集合。
2边缘提取的核心思想：
更简化的规则： 像素梯度为0的区域，为图像的平坦区 域 像素梯度不为0的区域，为图像的边缘区域
——模糊逻辑中的知识推理规则
3 基于模糊逻辑的图像边缘提取
模糊聚类
模糊k-均值聚类
k-均值聚类
模糊k-均值聚类
区别和联系
k-均值算法在聚类过程中，每次得到的结果，类别之间的边界是 明确的，聚类中心根据当前属于该类样本迭代更新；
模糊k -均值算法在聚类过程中，每一次计算聚类中心都需要用到 全部样本，每次得到的类别边界是模糊的，聚类准则也体现了模 糊性。
模糊k-均值聚类特点：
首先设定一些类及每个样本对各类的隶属度，然后通过迭代不断 更新隶属度，直至隶属度的变化量小于规定的阈值，达到收敛；
预先指定的模糊参数m>1，确定了聚类之间的交叉程度；
假若参数m>1很多，意味着第j个聚类中心点对新聚类中心的影响 较小。