模糊模式识别.docVIP

模糊模式识别1 模糊模式识别的原则 (1) 最大隶属原则 当模式是模糊的，被识别对象是明确的，问题可以描述如下： 设有个模式，它们分别表示成某论域（可以是多个集合的笛卡儿乘积集）的个模糊子集，而是一个具体被识别的对象，若有，使得 则认为相对属于模式。 对事物进行直接识别时，所依据的是最大隶属原则。这种方法适合处理具有如下特点的问题： a 用作比较的模式是模糊的； b 被识别的对象本身是确定的。 贴近度原则 当模式及被识别对象都是模糊的，问题可以描述如下： 设论域的模糊子集代表个模糊模式，被识别的对象可以表示成的子集，若有，使得 则认为相对合于模式。 在模糊模式识别的具体应用中，关键是模式或被识别对象的模糊集合的构造，即如何建立刻画模式或对象的模糊集合。根据实际应用来看，通常有三种主要方法，简单模式的识别方法，语言模式的识别方法和统计模式的识别方法。 2 模糊模式识别方法 （一）简单模式的模糊模式识别 具体的模糊模式识别工作可分为如下三个步骤：1）选取模式的特征因子集合，被识别的对象表示为 上的向量（，或者表示为上的模糊子集；2）建立模糊模式的隶属函数,；3）利用最大隶属度原则或贴近度原则对被识别的对象进行归属判决。 特征因子的选取直接影响识别的效果，它取决于识别者的知识和技巧，很难做一般性讨论，而模式识别中最困难的是建立模式的隶属函数，人们还没有从理论上彻底解决隶属函数的确定问题。一个简单的模糊模式识别问题，主要是依据人的主观经验来建立模式的隶属函数。 （二）基于语言模式的模糊模式识别 模糊模式的建立是模糊模式识别，模式的建立具有较强的经验性和主观性。在人类的发展历史中，人们很容易用语言来描述事物的特点、特征，根据人类语言的描述来对模式建立适当的数学模型，从而解决实际生活生产中的问题，意义重大。基于语言模式的模糊模式识别，模式可以借助于所研究客体的语言表达来得到。模糊语言，作为一种弹性语言，是指外延不确定、内涵无定指的特性语言。与精确语言相比，模糊语言具有更大的概括性和灵活性。这种概括性与灵活性集中反映在语言外延上。以不同的例子，根据例子考虑判别因素，构造出每个因素的隶属函数，根据选择的因素的语言描述，建立相应的模糊语言判别模型，得出结论，进而阐述模糊语言模式识别的一般方法。 （三）基于统计模式的模糊模式识别 在模糊模式识别中，模式的隶属函数除了由主观估计给出外，还可以借助统计方法得到。下面介绍一种在模式识别中建立模糊模式的常用统计方法。 设X是实数域，X上的模糊集的隶属函数为 称为正态模糊集。 我们知道，概率论中很重要的正态分布随机变量的概率密度函数为 其中a为数学期望，为均方差。而正态模糊集的隶属函数因此，可以把正态模糊集看成是由正态概率分布诱导出的X上的模糊集，这种形式的模糊集在模糊数学的应用中是很重要的。 假设有一模式，它可以由实数来表征。现已知一组符合于模式的样本。通常可以把它们理解为某一随机变量的一组观测值。如果服从正态分布，利用数理统计方法可计算出的样本均值a和样本方差，进而建立的隶属函数。 2 回归分析中函数特征的识别的数据处理 回归分析是目前在数值预测理论中的一个最常用的方法。在实际的预测问题中，人们通常是依据观测数据形成的散点图来预先估计其满足的方程的形式，然后进行参数估计，进而建立起回归方程。然而方程的拟合好坏还要进行检验，如果拟合得不好，还要重新估计新的方程形式。能否使计算机根据输入的原始观测数据自动地选择较好的回归方程形式，则是本章所要研究的内容。 2.1 去除观测值偏差较大的点 一些偏差较大的点对描述曲线特征有一定的影响，对具有随机干扰的信号进行滤波，使数值具有一定的规律性。 2.1.数据滤波 设样本{满足记 2-1） 新数据组为样本的初始滤波。可以看出它是用近似样本序列的三步滑动平均序列来刻划数据所隐含的曲线特征，恰相似于人为处理该问题时所采用的数据分布重心方法。 又令 （2-2） 则称序列为的几何重心序列。 2.1.数据色彩 记 （2-3） （2-4） 称 （2-5） (其中为数据的色彩度。2.1.3 色彩数据滤波 设为观测数据，为数据的色彩度，记 （2-6） 其中 而