系统数学第六章详解.ppt

现在，假设传感器读得一组清晰值 取权重： 我们求得： 现在我们假设读取的值是模糊的 经计算四种可能模式的结果： （ ，热压）=0.6650 （ ，烧结）=0.7687 （ ，传送）=0.7188 （ ，退火）=0.7175 6.4 图像处理 一幅（具有不同灰度的）图像，在数学上是用一个空间亮度函数 f(m,n) 来表示的。 上式右边表示了一幅数字化图像。 两类图像处理的方法：频率域方法 空间域方法 频率域方法 对图像的 改进型傅里叶变换 像素强度 转变为频率 空间域方法 直接对像素进行变换 * * 第六章 模糊模式识别 模式识别是一种辨识数据结构的过程，这种数据结构可由第五章所介绍的分类方法而得到。 每一个输入观测由一个多维数据向量（特征向量）表示，该向量的每一个分量就叫做一个特征。 模式识别系统的目的是给每一个输入分配一个可能的模型类别（或数据聚类） 在后面的叙述中，将用到以下表示方法： =数据样本空间 P = 原（标称）特征数目 中第 j 个测量特征 s = 选择或提取特征的数目 c = 聚类或类别的数目 6.1 特征分析 特征分析是一种获取用于分类和判断（识别）的最佳信息的方法，这种信息是通过对原始数据的处理和优化而得到，并且用最小数目的特征值表示。 特征标定：提出原始 p 个特征。 特征选择：是指从原始的 p 个特征中选择 s 个特征值构成“最佳”子集。 特征提取：表示将原始 p 个值特征空间转换为 s 维空间的过程。 6.2 单个样本的识别 模式识别的典型问题就是从物理过程中收集数据并将数据分类到已知的模式中，这种已知模式通常都是用类结构表示的，每一种类结构由若干个特征来描述。 下面我们首先讨论单特征（即一维）类结构情况下的模式识别问题。 设已知的模式为X上的m个模糊集： 假定现在有一个新的清晰数据样本 最大隶属度判别准则： 情况一： 例：在三角形的识别中，设A,B,C为三角形的三个内角，且设 , 设 定义一些几何图形如下，希望以此能够识别满足U集合约束的任何角组合。 ——近似等腰三角形 ——近似直角三角形 ——近似等腰直角三角形 ——近似等边三角形 ——其他三角形 子例：(P79)如下图一个特殊的三角形 假定现在有一个新的模糊数据样本，即 情况二： 设已知的模式为X上的m个模糊集： 现在我们将这些模糊集标记为模糊向量的形式： 注：这种标记形式我们也可以推广到连续取值的情况。 内积： 外积： 模糊向量的内、外积我们曾定义如下： 为了度量两个模糊集的相近或相似程度，我们定义： 上述两个式子均可作为评估两个集合相似程度的度量，称之为接近度 或 当 ，两个模糊集“比较接近于相似” 当 ，两个模糊集“比较不相似” 可以证明： 例： 则 上述结果表明，一个清晰集与它的补集是完全不相似的 另外，可以证明，一个集与它本身最相似。若该集 为正规集，则 例：（p343）假设我们在实数轴上定义一个两个具有一般高斯分布的模糊集如下： 则 式中 并且显然有 假定现在有一个新的模糊数据样本，即 设已知的模式为X上的m个模糊集： 现在我们回到原来的模式识别问题： 最大接近度法： 例：（p344）地震损害评估，确定 Mercalli强度 已知模式： 根据调查，某一所给地点的建筑物损坏分布为 采用接近度公式： 如果假定受灾地区的分布函数是单个具有下列特征的样本： 且 采用接近度公式： 此时 如果我们根据每个区域的平均值来作出选择，结果将怎样？ 6.3 多特征模式的识别 =数据样本空间 设 按照前一章的方法，对 X 进行分区，可得到 c 个硬分区： 现有一个新的单个数据样本 x， 最相邻分类法： 则 最接近中心分类法： 假设用模糊分类方法将样本空间 X 划分为了 c 个类别，这些类的中心为： 则可将数据样本 x 分到模糊类 中。 加权接近度法： 考虑具有若干（m个）模糊特征的单个样本的多特征模式识别问题。 已知模式： 新数据样本： 一般各特征的重要性并不相同，引入权系数 则取 再求 例：