模糊模式识别【荐】.pptVIP

第4章 模糊模式识别方法 4.1 引言 1965年，Zadeh提出著名的模糊集理论 模糊集理论是对传统集合理论的一种推广，在传统集合理论中一个元素或者属于一个集合，或者不属于一个集合． 而对于模糊集来说，每一个元素都是以一定的程度属于某个集合，也可以同时以不同的程度属于几个集合。 对人们现实生活中大量使用的一些含义确定但又不准确的语言表述，比如“今天天气很热”、“车速过高，需要适当踩刹车”等，模糊数学能够较好地表达。因此，模糊数学被很多人认为是解决很多人工智能问题尤其是常识性问题的最合适的数学工具. 模糊数学的几种不同的名称 一种叫法是模糊集，它是相对于经典的集合理论而言的； 一种是模糊逻辑，相对于传统的“是或者不是”的二值逻辑而言； 模糊数学则是一种更泛泛的叫法，更倾向于指从数学角度对模糊集和模糊逻辑的研究； 从应用的角度，很多人更习惯于用模糊系统的叫法，用来指采用了模糊数学的思想和理论的方法或系统，而其中采用的一些技术往往称作模糊技术和模糊方法。这些名词本身也具有很大的模糊性，但其实质都是同样的，因此没有必要追究它们的严格定义。 模糊技术应用 将模糊技术应用于各个不同的领域，就产生了一些新的学科分支 和人工神经网络相结合，就产生了所谓模糊神经网络。 应用到自动控制中，就产生了模糊控制技术和系统 应用到模式识别领域来，自然就是模糊模式识别。 从20世纪s0年代以来，在很多传统的控制问题中，模糊控制技术的应用取得了很好的效果尤其是一些国家在诸如地铁的模糊控制系统，洗衣机、电饭锅等的模糊控制等方面取得了成功的应用后，人们再次掀起了研究各种模糊技术的热潮。 模糊模式识别 模式识别从一开始就是模糊技术应用研究的一个活跃领域，一方面，人们针对一些模糊式识别问题设计了相应的模糊模式识别系统另一方面，对传统模式识别中的一些方法，人们用模糊数学对它们进行了很多改进。这些研究逐渐形成了模糊模式识别这新的学科分支。 4.2 模糊集的基本知识 隶属度函数 ：表示一个对象x隶属于集合A的程度的函数，通常记作μA(X) 其中 模糊集合 定义在空间 X={x}上的隶属度函数就定义了一个模糊集合A 表示为 或 “开水”这一概念的模糊集与确定集 常见的隶属度函数形式 模糊集的运算 并 交 补： 模糊集合的荃本运算示意图 4.3 模糊特征和模糊分类 模糊模式识别就是在解决模式识别问题时引进模糊逻辑的方法或思想 模糊技术在统计模式识别和句法模式识别中均得到了较好的应用识别 本章只涉及模糊技术在统计模式识别方面的应用、模糊模式识别中的一些有代表险的方法和思想。 4.3.1模糊化特征 模糊特征是指根据一定的模糊化规则（通常根据具体应用领域的专门知识人为确定或经过试算确定）把原来的一个或几个特征变量分成多个模糊变量，使每个模糊变量表达原特征的某一局部特性，用这些新的模糊特征代替原来的特征进行模式识别。 1 of N编码（N分之一编码） 把原来的一个特征变为若干模糊特征的目的在于使新特征更好地反映问题的本质。 在很多清况下，用一个特征（比如体重）参与分类（比如判断是否患有某种可能导致体重变化的病），正确分类结果与这个特征之间可能是复杂的非线性关系． 而如果根据有关知识适当地提取模糊特征，虽然特征数增多了，但却可能使分类结果与特征之间的关系线胜化，从而大大简化后面分类器的设计和提高分类器性能。如果我们对所提取的特征与要研究的分类问题之间的关系有一定的先验认识，则采用这种方法往往能取得很好的结果 4.3.2 结果的模糊化 模式识别中的分类就是把样本空间（或样本集）分成若干个子集，当然，我们可以用模糊子集的概念代替确定子集，从而得到模糊的分类结果，或者说使分类结果模糊化。 在模糊化的分类结果中，一个样本将不再属于每个确定的类别，而是以不同的程度属于各个类别，这种结果与原来明确的分类结果相比有两个显著的优点：一是在分类结果中可以反映出分类过程中的不确定性，有利于用户根据结果进行决策乡二是如果分类是多级的，即本系统的分类结果将与其他系统分类结果一起作为下一级分类决策的依据，则模糊化的分类结果通常更有利于下一级分类，因为模糊化的分类结果比明确的分类结果中包含更多的信息 如果训练样本中已知的类别标号就以模糊类的隶属度函数的形式给出，那么我们就需要对原有的模式识别方法进行改变，以适应这种模糊类别划分（如后面将要介绍的模糊k近邻法）。 本节介绍的结果的模糊化，专门指训练样本和分类器仍是确定性的，只是根据后续的需要把最终的输出分类结果进行模糊化。结果的模糊化并没有固定的方法，通常需要结合有关知识、根据所用的分类器进行设计，比如可以根据样本离类别中心的距离、离分类面的距离或与已知样本之间的某种相似胜度量、神经网络输出的相对大小等作为模