第6期 刘德罄等：模糊C均值聚类算法在高炉料面分类中的应用 ·689· 2 第一类 第类 意莲术一 0 0 径向距离m 径向距离m 第类 第四类 0 0 2 2 0 径向距离m 径向距离m 图8特征加权模糊C均值聚类结果 Fig.8 Results of feature weighted fuzzy C-means clusterin G-[0.650110.74010.603810.1539 {0.77060.65750.28390.3281},i=1. 由式(16)~(20)可分别得到各种贴近度的结 (5)最大最小贴近度. 果，再由式(21)计算出i(i=1,2,…,4),即料面属 6(",G)= 于哪一类 {0.62680.48970.16540.1963},i=1. (1)格贴近度 把待识别的料面曲线G,分别纳入特征加权模 61(",G)= 糊C均值算法已分成的四个分类结果里，用红色线 {0.64600.54500.47250.6709},i=4. 表示，如图9所示.可以看出，曲线G的形状与第一 (2)海明贴近度. 类比较接近，确定其属于第一类.因此根据上面算 62(,G)= 出的各个贴近度的值可看出，欧式贴近度为δ，(， {0.51950.44440.37240.6903},i=4. G")=0.6430,算术平均最小值贴近度为δ(1， (3)欧式贴近度. G")=0.7706,最大最小贴近度为8(1，G")= 83(,G）= 0.6268,采用这三种贴近度较为合适. {0.64300.46500.29900.3761},i=1. (4)算术平均最小值贴近度. 4结论 δ4(，G)= 本文先根据多雷达数据建立了高炉料面模型. 第一类 第二类 0 -2 0 2 -2 0 径向距离m 径向距离m 2 第三类 第四类 0 0 2 0 0 径向距离m 径向距离m 图9几种贴近度的对比 Fig.9 Comparison of several similarities第 6 期 刘德馨等: 模糊 C 均值聚类算法在高炉料面分类中的应用 图 8 特征加权模糊 C 均值聚类结果 Fig． 8 Results of feature weighted fuzzy C-means clusterin G″ =［0. 650 1 1 0. 740 1 0. 603 8 1 0. 153 9］． 由式( 16) ～ ( 20) 可分别得到各种贴近度的结 果，再由式( 21) 计算出 i( i = 1，2，…，4) ，即料面属 于哪一类． ( 1) 格贴近度． δ1 ( v″i，G″) = { 0. 646 0 0. 545 0 0. 472 5 0. 670 9} ，i = 4． ( 2) 海明贴近度． δ2 ( v″i，G″) = { 0. 519 5 0. 444 4 0. 372 4 0. 690 3} ，i = 4． ( 3) 欧式贴近度． 图 9 几种贴近度的对比 Fig． 9 Comparison of several similarities δ3 ( v″i，G″) = { 0. 643 0 0. 465 0 0. 299 0 0. 376 1} ，i = 1． ( 4) 算术平均最小值贴近度． δ4 ( v″i，G″) = { 0. 770 6 0. 657 5 0. 283 9 0. 328 1} ，i = 1． ( 5) 最大最小贴近度． δ5 ( v″i，G″) = { 0. 626 8 0. 489 7 0. 165 4 0. 196 3} ，i = 1． 把待识别的料面曲线 G，分别纳入特征加权模 糊 C 均值算法已分成的四个分类结果里，用红色线 表示，如图 9 所示． 可以看出，曲线 G 的形状与第一 类比较接近，确定其属于第一类． 因此根据上面算 出的各个贴近度的值可看出，欧式贴近度为 δ3 ( v″ 1， G″) = 0. 643 0，算术平均最小值贴近度为 δ4 ( v″ 1， G″) = 0. 770 6，最大最小贴近度为 δ5 ( v″ 1，G″) = 0. 626 8，采用这三种贴近度较为合适． 4 结论 本文先根据多雷达数据建立了高炉料面模型． ·689·