115 lines
4.0 KiB
Python
115 lines
4.0 KiB
Python
import numpy as np
|
||
import math
|
||
import random as rnd
|
||
import functools,operator
|
||
from pyFTS.common import FuzzySet,Membership
|
||
#import CMeans
|
||
|
||
# S. T. Li, Y. C. Cheng, and S. Y. Lin, “A FCM-based deterministic forecasting model for fuzzy time series,”
|
||
# Comput. Math. Appl., vol. 56, no. 12, pp. 3052–3063, Dec. 2008. DOI: 10.1016/j.camwa.2008.07.033.
|
||
|
||
def distancia(x,y):
|
||
if isinstance(x, list):
|
||
tmp = functools.reduce(operator.add, [(x[k] - y[k])**2 for k in range(0,len(x))])
|
||
else:
|
||
tmp = (x - y) ** 2
|
||
return math.sqrt(tmp)
|
||
|
||
def pert(val, vals):
|
||
soma = 0
|
||
for k in vals:
|
||
if k == 0:
|
||
k = 1
|
||
soma = soma + (val / k) ** 2
|
||
|
||
return soma
|
||
|
||
|
||
def fuzzy_cmeans(k, dados, tam, m, deltadist=0.001):
|
||
tam_dados = len(dados)
|
||
|
||
# Inicializa as centróides escolhendo elementos aleatórios dos conjuntos
|
||
centroides = [dados[rnd.randint(0, tam_dados-1)] for kk in range(0, k)]
|
||
|
||
# Tabela de pertinência das instâncias aos grupos
|
||
grupos = [[0 for kk in range(0, k)] for xx in range(0, tam_dados)]
|
||
|
||
alteracaomedia = 1000
|
||
|
||
m_exp = 1 / (m - 1)
|
||
|
||
# para cada instância
|
||
iteracoes = 0
|
||
|
||
while iteracoes < 1000 and alteracaomedia > deltadist:
|
||
|
||
alteracaomedia = 0
|
||
|
||
# verifica a distância para cada centroide
|
||
# Atualiza a pertinencia daquela instância para cada um dos grupos
|
||
|
||
inst_count = 0
|
||
for instancia in dados:
|
||
|
||
dist_grupos = [0 for xx in range(0, k)]
|
||
|
||
grupo_count = 0
|
||
for grupo in centroides:
|
||
dist_grupos[grupo_count] = distancia(grupo, instancia)
|
||
grupo_count = grupo_count + 1
|
||
|
||
dist_grupos_total = functools.reduce(operator.add, [xk for xk in dist_grupos])
|
||
|
||
for grp in range(0, k):
|
||
if dist_grupos[grp] == 0:
|
||
grupos[inst_count][grp] = 1
|
||
else:
|
||
grupos[inst_count][grp] = 1 / pert(dist_grupos[grp], dist_grupos)
|
||
# grupos[inst_count][grp] = 1/(dist_grupos[grp] / dist_grupos_total)
|
||
# grupos[inst_count][grp] = (1/(dist_grupos[grp]**2))**m_exp / (1/(dist_grupos_total**2))**m_exp
|
||
|
||
inst_count = inst_count + 1
|
||
|
||
# return centroides
|
||
|
||
# atualiza cada centroide com base na Média de todos os padrões ponderados pelo grau de pertinência
|
||
|
||
grupo_count = 0
|
||
for grupo in centroides:
|
||
if tam > 1:
|
||
oldgrp = [xx for xx in grupo]
|
||
for atr in range(0, tam):
|
||
soma = functools.reduce(operator.add,
|
||
[grupos[xk][grupo_count] * dados[xk][atr] for xk in range(0, tam_dados)])
|
||
norm = functools.reduce(operator.add, [grupos[xk][grupo_count] for xk in range(0, tam_dados)])
|
||
centroides[grupo_count][atr] = soma / norm
|
||
else:
|
||
oldgrp = grupo
|
||
soma = functools.reduce(operator.add,
|
||
[grupos[xk][grupo_count] * dados[xk] for xk in range(0, tam_dados)])
|
||
norm = functools.reduce(operator.add, [grupos[xk][grupo_count] for xk in range(0, tam_dados)])
|
||
centroides[grupo_count] = soma / norm
|
||
|
||
alteracaomedia = alteracaomedia + distancia(oldgrp, grupo)
|
||
grupo_count = grupo_count + 1
|
||
|
||
alteracaomedia = alteracaomedia / k
|
||
iteracoes = iteracoes + 1
|
||
|
||
return centroides
|
||
|
||
def FCMPartitionerTrimf(data,npart,names = None,prefix = "A"):
|
||
sets = []
|
||
dmax = max(data)
|
||
dmax = dmax + dmax*0.10
|
||
dmin = min(data)
|
||
dmin = dmin - dmin*0.10
|
||
centroides = fuzzy_cmeans(npart, data, 1, 2)
|
||
centroides.append(dmax)
|
||
centroides.append(dmin)
|
||
centroides = list(set(centroides))
|
||
centroides.sort()
|
||
for c in np.arange(1,len(centroides)-1):
|
||
sets.append(FuzzySet.FuzzySet(prefix+str(c),Membership.trimf,[round(centroides[c-1],3), round(centroides[c],3), round(centroides[c+1],3)], round(centroides[c],3) ) )
|
||
|
||
return sets |