模糊数学教案03分解.ppt

模糊模型识别 第 3 章 第一节 模糊模型识别概述 1、模型识别 已知某类事物的若干标准模型，现有这类事物中的一个具体对象，问把它归到哪一模型，这就是模型识别. 模型识别在实际问题中是普遍存在的. 例如，学生到野外采集到一个植物标本，要识别它属于哪一纲哪一目；投递员(或分拣机)在分拣信件时要识别邮政编码等等，这些都是模型识别. 2、模糊模型识别 所谓模糊模型识别,是指在模型识别中,模型是模糊的.也就是说,标准模型库中提供的模型是模糊的. 本节介绍两类模式识别的模糊方法。一类是元素对标准模糊集的识别问题 —— 点对集；另一类是模糊集对标准模糊集的识别问题 —— 集对集。 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、模型识别的原理 为了能识别待判断的对象x = (x1, x2,…, xm)T是属于已知类A1, A2,…, An中的哪一类？ 事先必须要有一个一般规则, 一旦知道了x的值, 便能根据这个规则立即作出判断, 称这样的一个规则为判别规则. 判别规则往往通过的某个函数来表达, 我们把它称为判别函数, 记作W(i; x). 一旦知道了判别函数并确定了判别规则，最好将已知类别的对象代入检验，这一过程称为回代检验，以便检验你的判别函数和判别规则是否正确. 第二节 最大隶属原则 1、模糊向量 定义 称向量a = (a1, a2, …, an)是模糊向量, 其中0≤ai≤1. 若ai 只取0或1, 则称a = (a1, a2, …, an)是Boole向量. 设 a = (a1, a2, …, an), b = (b1, b2, …, bn)都是模糊向量，则定义 内积： a °b = ∨{(ak∧bk) | 1≤k≤n}； 外积： a⊙b = ∧{(ak∨bk) | 1≤k≤n}. 例 . a= ( 0.1, 0.5, 0, 0.6) b = ( 0.2, 0, 0.7, 0.3) 求向量a和b的内积与外积 解：内积： a °b = ∨{(ak∧bk) | 1≤k≤n} = 0.3 ； 外积：a⊙b = ∧{(ak∨bk) | 1≤k≤n} = 0.2 . 模糊向量集合族 设A1, A2, …, An是论域X上的n个模糊子集,称以模糊集A1, A2, …, An为分量的模糊向量为模糊向量集合族，记为A = (A1, A2, …, An). 例：小麦有早熟优良品种，是模糊集，描述早熟的每个特征也是个模糊集。 A(早熟)＝(A1(抽穗期), A2(株高), A3(百粒重)) A3(有效穗数)) 若X 上的n个模糊子集A1, A2, …, An的隶属函数分别为A1(x), A2(x) , …, An(x),则定义模糊向量集合族 A = (A1, A2, …, An)的隶属函数为 A(x) = ∧{A1 (x1), A2 (x2) , … , An(xn)} 或者 A(x) = [A1 (x1) + A2 (x2) + … + An(xn)]/n. 其中x = (x1, x2, …, xn)为普通向量. 模糊向量集合族的隶属度 2、最大隶属原则 最大隶属原则Ⅰ 设论域X ={x1, x2, … , xn }上有m个模糊子集A1, A2, … , Am(即m个模型),构成了一个标准模型库,若对任一x0∈X,有k∈{1, 2, … , m },使得 Ak(x0)=∨{A1(x0), A2(x0), … , Am(x0)}， 则认为x0相对隶属于Ak . 例1 在论域X=[0,100]分数上建立三个表示学习成绩的模糊集A=“优”,B =“良”,C =“差”.当一位同学的成绩为88分时,这个成绩是属于哪一类？ A(8