【基于IMEFMM算法的中国生猪市场区域划分概述5200字（论文）】

基于IMEFMM算法的中国生猪市场区域划分概述基于IMEFMM算法的中国生猪市场区域划分概述 11.1基于模糊格包容性测度的强化模糊极小极大网络聚类算法 11.1.1模糊格理论 11.1.2基于模糊格包容性测度的强化模糊极小极大神经网络 31.1.3公测数据集上的仿真实验 51.2中国生猪市场区域划分实证研究 8 81.2.2基于IMEFMM算法的生猪市场区域划分实证分析 9本章首先从模糊格上的包容性测度角度提出一种创新的基于强化极小极大(IMEFMM)聚类算法，并基于三种性能评价指标与三种传统聚类算法在公测1.1基于模糊格包容性测度的强化模糊极小极大网络聚类算法本章结合格理论提出了更好的相似性度量，并将其结合到模糊极小极大网络中，利用基于模糊格包容性测度的强化模糊极小极大网络聚类方法(IMEFMM)对获取的中国生猪市场区域划分的时间序列数据进行聚类。本节首先对模糊格理论以及改进后的基于模糊格包容性测度的强化模糊极小极大聚类神经网络的基本概念及原理进行了介绍。其次为了检验改进后算法的聚类性能，选取三个方法：HC(层次聚类算法)、DBSCAN(基于密度的聚类算法)、和原始FMM进行比较。实验结果表明，IMEFMM算法显著优于其他聚类方法。包容性测度起源于模糊格理论，它作为一种新颖的相似测度其有效性已经定义3假设格(L,≤)为一个完备格，其中最小元素为0,最大元素为I。那么完备格(L,≤)上的包容性测度为这样一个映射σ(x,y):S=理，也就是对包容性测度进行量化，还需要定义一个保序函数v(x),该函数须满足据此，完备格(L,≤上的包容性测度就可以利用v(x)成功地进行定义：x≤u→u=xvu→σ(x≤u)=v(u)/v(x定义的区间格V={[a,b]:a,b∈L}有着这样的偏序关系[a,b]≤[c,d]→a≥c,b≤d。其情况1:的偏序关系。区间格v₁上的函数v(x)可以如下定义：传统模糊极小极大聚类神经网络中的扩张条件可能增加重叠区域，且重叠测试规则却不能识别所有重叠区域。由于用来消除重叠区域的收缩规则对重叠测试规则具有依赖性，因此收缩规则也需要加以改进。为了克服上述缺点，本文提出了基于模糊格包容性测度的强化模糊极小极大网络。改进后的网络采用了一种新的扩张条件，该条件可以对每个维度分别进行检测，减少重叠区域的出现，并提出十种新的情况来覆盖更多的重叠情形并进行消除。同时，利用模糊格框架中的包容性测度来代替隶属度函数从而更好地度量模糊极小极大神经网络中超盒这一基本元素之间的相似性。本小节主要对2.5节的FNN聚类算法的扩张条件、重叠检测规则、收缩规则和隶属度函数四个方面的具体改进加以在扩张规则方面，原始模糊极小极大网络的容错度太高，可能会导致并不Max(W;,A)-Min(V;,A₂))≤μ(3-8)在重叠检测和收缩规则方面，已有的规则并不能检测出所有的重叠区域，因此，本文提出了10个检测规则和相应的检测后进行收缩的规则以对这个缺陷加以改进(其中情况1和情况2是模糊极小极大网络中的原始规则)。情况2:情况3:情况4:情况5:情况6:情况7:情况8:情况9:情况10:情况11:情况12:本文引入模糊格框架中的包容性测度(式3-7)来代替模糊极小极大神经网络中的隶属度函数。如前所述，在模糊极小极大神经网络中使用最小点和最大值来表示超盒，它们可以很容易地在模糊格框架中转化为区间的形式，从而包容性测度函数可以成功地对其加以应用。改进后的IMEFMM算法的具体流程如表3-1。将所有训练数据视为未调整的超盒，并将其初始化：V;;=1,W;;=0输入：任意未调整的超盒AIf此时没有超盒存在If存在已调整的超盒同时具备最大包含程度和满足扩张条件：Max(W;,A)-Min(V;;,A;))≤η:Then执行重叠检测根据相应的规则执行收缩操作EndifEndifEndif测试阶段输入A计算已提交的超盒相对于A的包含程度选择对A,包含程度最大的聚类簇作为A,最终聚类结果1.1.3公测数据集上的仿真实验本节通过使用公共数据集并选用三种评价指标来比较IMEFMM算法与传统聚类FMM算法、HC算法、DBSCAN算法的效果，从而检验处IMEFMM算法区域而聚类后却归于同一区域的样本数量。精度的值越接近于1,聚类算法的准TP,FP与式3-21含义相同。TN和FN分别表示聚类前成员处于不同类别，聚类后成员仍处于不同类别的样本对数量，以及成员原来属于同一类别但聚类后处C₄代表簇q的样本数据，n代表簇q中的样本个数c₄是簇q的重心，c是所有数类内部数据的协方差较小，这表明每个聚类簇内更加紧凑，而不同聚类簇间则集有106个样本，两个类别分别是关于病人是否是阑尾炎，七个特征是对106文将实验重复了200次。首先将数据顺序打乱，然后选择50%作为训练集，并在IMEFMM和FMM的所有数据样本上进行测试。最后取200个实验结果的平在表3-2中，显示了针对每个聚类模型的四个公共数据集的平均聚类精度，调整的兰德指数和Calinski-Harabasz指数。从表3-2中可以看出，IMEFMM获比HC高0.2292,比DBSCAN高0.2698;IMEFMM的调整兰德指数值比FMM高0.0303,比HC高0.0473,比DBSCAN高0.1463;IMEFMM的CH指数值比FMM高表3-2公共数对比公共数据集的调整兰德指数值比FMM高0.1891,比HC高0.4933,比DBSCAN高0.496IMEFMM的CH指数值比FMM高9.294,比HC高20.9025,比DBSCAN高IMEFMM的调整兰德指数值比FMM高0.0724,比HC高0.45118,比DBSCAN高0.4510;IMEFMM的CH指数值比FMM高15.7228,比HC高120.5497,比比HC高0.143,比DBSCAN高0.1338;IMEFMM的调整兰德指数值比FMM高0.1688,比HC高0.2948,比DBSCAN高0.2427;IMEFMM的CH指数值比FMM高15.8109,比HC高30.2296,比DBSCAN高29.1133。因此，从公共数我国生猪市场的稳定性取决于生猪价格的波动情况，其相关联的主产品产业链，如猪肉价格、冷链运输、仔猪价格、出栏量、补栏量也会随着生猪价格的涨跌呈现一定规则的涨跌。在猪产业链中生猪价格对于前端的养殖户、和后端的猪肉和猪产品市场及相关产业都具有承上启下的传递作用，其重要性不言而喻。而我国生猪市场包含省市区多、纬度跨域大、地域资源差别大、地区性政策导致进口和出口量的整体不平衡性等差异是研究我国生猪价格必须考虑的问题。对错综复杂的中国生猪市场进行区域划分达到明确分类效果，正是本文的目的，经过聚类之后得到的类别之间样本生猪价格差距大、相似度低；而类本文所研究的中国生猪市场的区域划分属于聚类问题范畴。本节将改进后的基于模糊格包容性测度的强化模糊极小极大神经网络对中国生猪市场区域划分问题进行实证分析。首先对数据来源与特征进行说明。其次，采用IMEFMM的聚类算法对2017年7月-2020年11月全国省、市、区生猪日价格时间序列数本章数据是从中国畜牧业信息网(/)上爬取得到的，以台湾)生猪日价格(单位为元/公斤)数据的时间序列为算法输入、时间为黑龙江西西藏区域划分可视化展示如图3-2所示，其中类别代号1绿色表示低区域，类别代号2黄色表示一般区域，类别代号3红色表示高区域，灰色区为我国地域辽阔，各地区经济水平、地理资源、运输物流、政策法规、养殖资源与技术等都存在一定的差距，这就造成了我国生猪市场区域性的差别。从经上海市的人均生产总值是安徽的2.6倍以上、是黑龙江省的4倍以上，这说明高区域内的经济水平明显高于低区域；而从地理资源来看，如北京、天津位于我国华北地区，是运输物流的枢纽，与生猪主产区的河北、河南、山东以及东北三省具有地理上的优势；从生猪养殖资源来看，如黑龙江、山东、四川省等地面积辽阔、农作物产量较高、生猪饲料丰富，为生猪养殖的规模化发展提供了空间与资源上的优势；从运输物流来看，华北区和华中区的省市运输与物流发展的条件较好，而如西北、西南等地区的运输业条件有待开发；从政策法规来看，近年来的环保法、广东的点对点运输等法规要求直接限制了某些地区养猪业的扩大和冷链运输的范围；而对于一些少数民族聚集地区、因猪肉不是当地综上所述，我国生猪市场可以被聚为三类：低、一般、高三个区域，均是如河北、山东、河南等，或经济水平较低的地区、如黑龙江、吉林、山西、新疆、宁夏、甘肃等；一般区域包括经济水平较高但养猪规模较大的地区，如湖南、湖北省等；高区域内的省市一般具有较高的经济发展水平、如广东省、上海市、重庆市、福建省和浙江省。全国生猪市场聚为三类的成因都是多方面且复杂的，如低区域内的黑龙江省是农业大省、地域辽阔、生猪养殖资源最丰富但是经济水平非常低；北京市、天津市位于华北地区，交通运输四通八达调入生猪的成本低，而河北省生猪出栏量不少且经济发展缓慢；新疆、宁夏等地由