本書主要針對模糊聚類算法中最經典的FCM算法進行了系統(tǒng)分析，并對原始算法進行了改進，將經典的FCM算法和改進的FCM算法應用圖像識別、數(shù)據聚類和軟件測試等不同領域。全書共分7章，第1章介紹了聚類分析發(fā)展背景和基礎概念；第2章介紹了模糊理論基礎知識及模糊聚類分析的方法和應用；第3章介紹了模糊C均值算法的理論知識和研究現(xiàn)狀以及目前存在的問題；第4章介紹了馬氏距離的基本原理和處理方法；第5章介紹了馬氏距離在模糊聚類中的應用；第6章介紹了基于優(yōu)化KPCA特征提取的FCM算法；第7章介紹了FCM算法在軟件測試的等價類劃分方法中的應用。
目 錄
第一章 緒論 5
1.1 聚類分析的概述 5
1.2 聚類分析的基礎概念 6
1.2.1 聚類算法的主要類型 7
1.2.2 聚類分析的相似度和相異度 9
1.3 聚類分析算法 11
1.3.1聚類算法性能的衡量指標 11
1.3.2 基于劃分的聚類算法 11
1.3.3 基于層次的聚類算法 12
1.3.4 基于密度的聚類算法 14
1.3.5 基于網格的聚類算法 15
1.3.6 基于模型的聚類算法 16
1.4 聚類分析算法面臨的問題 16
1.5 本章小結 18
第二章 模糊理論基礎 19
2.1 模糊集的定義和表示方法 19
2.1.1 模糊集的定義 19
2.1.2 模糊集的表示方法 20
2.2 模糊集的基本概念 22
2.2.1模糊集合的基本運算 22
2.2.2 模糊集的性質 22
2.2.3 隸屬度函數(shù) 23
2.3 模糊聚類分析 24
2.3.1 模糊聚類分析步驟 25
2.3.2 最佳閾值λ的確定 29
2.4 模糊聚類分析應用 30
2.5 本章小結 35
第三章 模糊c-均值算法及分析 37
3.1 硬c-均值算法 37
3.2 模糊c-均值算法 38
3.3 模糊c-均值聚類算法的研究現(xiàn)狀 39
3.3.1 模糊聚類目標函數(shù)的演化 39
3.3.2 模糊聚類算法實現(xiàn)途徑的研究 42
3.3.3 模糊聚類有效性的研究 44
3.4 模糊c-均值算法存在的問題 45
3.5 本章小結 48
第四章 馬氏距離基本原理和處理方法 50
4.1 馬氏距離方法基本原理 50
4.2 馬氏距離中奇異問題的解決方法 51
4.3 馬氏距離的應用 52
4.3.1 馬氏距離在模式識別中的應用 53
4.3.2 馬氏距離在其他領域的應用 53
4.4 本章小結 53
第五章 馬氏距離在模糊聚類中的應用 54
5.1 基于馬氏距離的FCM算法（FCM-M） 54
5.1.1 新算法提出 54
5.1.2 實驗結果及分析 55
5.2 基于馬氏距離特征加權的模糊距離新算法(MF-FCM) 59
5.2.1 馬氏距離特征加權新方法 60
5.2.2 實驗結果及分析 61
5.3 基于馬氏距離的模糊c-均值增量學習算法 62
5.3.1 增量學習的研究背景和意義 62
5.3.2 基于馬氏距離的模糊c-均值增量學習算法概述 66
5.3.3 算法應用舉例 67
5.4 馬氏距離在模糊聚類中應用存在的問題 67
5.5 本章小結 68
第六章 基于優(yōu)化KPCA特征提取的FCM算法 70
6.1核主元分析（KPCA）的原理 70
6.1.1 主元分析（PCA）簡介 70
6.1.2 核主元分析（KPCA）原理 71
6.2 文化算法的原理 73
6.3 KPCA算法的優(yōu)化 75
6.4 基于優(yōu)化KPCA特征提取的FCM算法 76
6.4.1 算法概述 76
6.4.2 算法應用舉例 77
6.5 本章小結 78
第七章 模糊聚類算法在軟件測試中的應用 80
7.1 軟件測試方法 80
7.1.1 測試分類 80
7.1.2 本地化測試 81
7.1.3 白盒測試（White Box Testing） 82
7.1.4 黑盒測試 88
7.1.5 靜態(tài)測試和動態(tài)測試 96
7.1.6 主動測試和被動測試 98
7.2 軟件缺陷與缺陷模式 98
7.2.1 軟件缺陷的類別 98
7.2.2 軟件缺陷的分類標準 99
7.2.3 軟件缺陷的構成 102
7.2.4 軟件缺陷的嚴重性和優(yōu)先級 105
7.2.5 軟件缺陷的管理 108
7.3 基于模糊 均值的等價類劃分法 110
7.3.1 算法描述 111
7.3.2 算法的實驗驗證 112
7.4 本章小結 114
參考文獻 115
書單推薦
