模糊数学精品讲义 3.5 模糊模式识别.pptVIP

3.5 模糊模式识别 模式识别是科学、工程、经济、社会以至生活中经常遇到并要处理的基本问题。这一问题的数学模式就是在已知各种标准类型(数学形式化了的类型)的前提下，判断识别对象属于哪个类型？对象也要数学形式化，有时数学形式化不能做到完整，或者形式化带有模糊性质，此时识别就要运用模糊数学方法。 例1. 苹果的分级问题 设论域 X = {若干苹果}。苹果被摘下来后要分级。一般按照苹果的大小、色泽、有无损伤等特征来分级。于是可以将苹果分级的标准模型库规定为 = {Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级}，显然，模型Ⅰ级，Ⅱ级，Ⅲ级，Ⅳ级是模糊的。当果农拿到一个苹果 x0 后，到底应将它放到哪个等级的筐里，这就是一个元素（点）对标准模糊集的识别问题。 例2. 医生给病人的诊断过程实际上是模糊模型识别过程。设论域 X = {各种疾病的症候} (称为症候群空间) 。各种疾病都有典型的症状，由长期临床积累的经验可得标准模型库 = {心脏病，胃溃疡，感冒，…}，显然，这些模型(疾病)都是模糊的。病人向医生诉说症状(也是模糊的)，由医生将病人的症状与标准模型库的模型作比较后下诊断。这是一个模糊识别过程，也是一个模糊集对标准模糊集的识别问题。 3.5.1 模糊模式识别的直接方法 —— 点对集 1. 问题的数学模型 (1) 第一类模型：设在论域 X 上有若干模糊集：A1，A2，…，An?F ( X )，将这些模糊集视为 n 个标准模式，x0? X 是待识别的对象，问 x0 应属于哪个标准模式 Ai ( i =1，2，…， n ) ? (2) 第二类模型：设 A?F ( X )为标准模式，x1, x2, …, xn? X 为 n 个待选择的对象，问最优录选对象是哪一个 xi (i =1，2，…， n ) ? 2. 最大隶属(度)原则Ⅰ（针对第一类模型） 设 A1， A2，…，An?F ( X )， x0? X 是待识对象，若 Ai 满足条件 Ai (x0) = max { A1(x0)，A2(x0)，…，An(x0)} (3.5.1) 则认为 x0 相对隶属于 Ai。 例 3.5.1 设有三个三角形的模糊集：I 表示“近似等腰三角形”，R 表示“近似直角三角形”，E 表示“近似正三角形”，它们是论域 X={ (A, B, C) | A + B + C =180, A ? B ? C ?0 }上的模糊集，其隶属函数规定如下： 容易验证，当 A =B 或 B = C 时，I ( A, B, C ) =1；I(120, 60, 0) = 0； 当 A = 90 时，R( A，B，C ) =1；R(180，0，0) = 0； 当 A = B = C 时，E(60，60，60) =1；E(180, 0, 0)=0。这说明以上隶属函数在边界情况下是合理的。（参阅 P48 边界法） 现有一三角形，其三个内角分别为 A = 70，B = 60，C = 50，问这个三角形应该算作哪一类三角形？ 计算 按最大隶属度原则Ⅰ，这个三角形比较接近“近似正三角形” 例 3.5.2 癌细胞识别问题。在识别癌细胞时，把细胞分成四个标准类型，即：癌细胞( M )，重度核异质细胞( N )，轻度核异质细胞( R )，正常细胞( T )。选取表征细胞状况的七个特征为论域： X ={ x = ( x1，x2，…，x7)}, x1：核面积（拍照） x2：核周长 x3：细胞面积 x4：细胞周长 x5：核内总光密度 x6：核内平均光密度 x7：核内平均透光率 根据病理知识，反映细胞是否癌变的因素有以下六个，它们都是 X 上的模糊集。 A：核增大， （ x10 为正常核面积） B：核染色增深， C：核浆比例倒置， D：核内染色质不均， E：核畸形， F：细胞畸形， （ x30，x40 是正常细胞周长和正常细胞面积） 上述 ?1，?2，?3，?4，?5，?6 是可以调整的参数。 由 A，B，…，F 这六个因素模糊集，可以组合成如下细胞识别中的几个标准模型（模糊集）： M：癌 M = ( A ? B ? C ? (D ? E )) ? F ; N：重度核异质