AFS理论是刘晓东教授于1995年首先提出的；它是Axiomatic Fuzzy Sets的缩写，即公理模糊集；能被用来研究人类思维的法则，便于计算机操作，较好地揭示人靠经验和直觉描述复杂的模糊概念以及确定相应模糊概念的隶属函数的内在机理。AFS理论是从问题的原始数据出发，用AFS结构、AFS代数的运算和其上的一个逆序对合运算来建立模糊逻辑系统，用拓扑分子格刻划人类概念之间的抽象关系，使得隶属函数和模糊逻辑系统的建立更具客观性、严密性和统一性。AFS理论已经尝试着被应用于聚类分析、模式识别和故障诊断等领域。 本文对AFS模糊逻辑的聚类分析算法(X.D.Liu, W.Wang and T.Y.Chai. IEEE Transaction on Systems, Man, Cybernetics, 2005)进行了进一步的研究，对其置信度算法进行了改进，并将改进后的指标应用到含有150个样本的Iris数据(见ftp://ftp.ics.uci.edu/pub/machine-learning-databases/Iris/)。本文的算法只用到了样本属性上的序关系。本研究表明只用样本属性上的序关系，AFS模糊逻辑分类分析算法也能够获得很高的准确率，因此此算法能够很好的应用到那些样本属性只能用序关系描述而无法用数值描述的数据集。并且对X.D.Liu, W.Wang and T.Y.Chai定义的模糊聚类指标进行修改，并做进一步的研究，同时在X.D.Liu, W.Wang and T.Y.Chai提出的AFS模糊逻辑聚类分析算法的基础上设计了一种新的分类器，并将它应用于Iris数据。最后利用Iris数据对分类器的稳定性和准确性进行了研究，这些研究表明这种新分类器简单、有效。