模糊信息处理技术第四章09年.pptVIP

* * * * * * * * * * * * 第四章 模糊模型识别 例：苹果的分级问题。 设论域U={若干苹果}。果农把苹果摘下来后，要经过挑选分级。一般按照苹果的大小、色泽、有无损伤等特征来分级，从而得到标准模型库={I级，II级，III级，IV级}，其中的模型I级、II级、III级、IV级是模糊的，果农拿到一个苹果u1后，到底放到“I级”筐里，还是放到“II级”筐里，这就是元素对标准模糊集的识别问题。 一、基本概念 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。 模糊模型识别：是指在模型识别中，标准模型库中提供的模型是模糊的。 4.1 最大隶属原则 最大隶属原则I 设论域U={x1,x2…xn}上有m个模糊集合A1，A2…Am（即有m个模型），构成了一个标准模型库，若对任一x0?U，有i0 ?{1，2，…m}，使得 则认为x0相对隶属于 例：在论域U=[0，100]（分数）上确定三个表示学习成绩的模糊集A=“优”，B=“良”，C=“差”，当一位同学的数学成绩为88分时，该同学的数学成绩是评为优、良、还是差？ 例：设论域U={x1,x2,x3}（三个学生的学习成绩），在U上确定一个模糊集A=“优”，如果三个学生的英语成绩分别为x1=70,x2=84,x3=90,那么，他们三位中谁的成绩最靠近“优”？ 最大隶属原则II 设论域U={x1,x2, … xn}上有一个标准模型A，待识别的对象有n个， x1,x2, … xn?U。如果有某个xk满足 则应优先选取xk. 4.2 择近原则 1.贴近度 定义1 A、B是U上的模糊集合，称 为A、B的内积。称 A⊙B= 为A、B的外积。 例：U={x1,x2,x3,x4,x5,x6} A=0.6/x1+0.8/x2+1/x3+0.8/x4+0.6/x5+0.4/x6 B=0.4/x1+0.6/x2+0.8/x3+1/x4+0.8/x5+0.6/x6 求A B=？A⊙B=？ 例：设论域U为实数域R，A1和A2为U上的两个正态型模糊集合，其隶属函数分别为： 求A1、A2的内积与外积。 p x y 定义2 设A、B是论域U上的模糊集合，则称 ⊙ 为A与B的格贴近度。 例：设论域U为实数域R，A1和A2为U上的两个正态型模糊集合，其隶属函数分别为： 求A1与A2的格贴近度。 例：U={x1,x2,x3,x4,x5,x6} A=0.6/x1+0.8/x2+1/x3+0.8/x4+0.6/x5+0.4/x6 B=0.4/x1+0.6/x2+0.8/x3+1/x4+0.8/x5+0.6/x6 求A? B=？A⊙B=？ 求A与B的格贴近度。 择近原则： 设论域U上有m个模糊集合A1，A2, … Am,构成一个标准模型库{A1，A2, …,Am},B为待识别的模型，若存在i0∈{1,2,…m},使得 则称B与 最贴近，或者说把B归并到 类。 4.3 模糊模型识别的应用 例：模糊模型识别在企业管理中的应用。 一个公司在社会上的声誉是一个模糊概念，它是由多个因素决定的，先设置论域U={x1,x2,x3,x4,x5,x6},其中x1:管理质量；x2:员工才能；x3:长期投资价值;x4:财务健全；x5:善用公司资产；x6:产品/服务质量。 一个公司的声誉可以认为是论域U上的模糊集，现有4 个公司的声誉模型A1，A2，A3，A4与相应的管理模式Di（i=1,2,3,4)以及待识别的某公司的声誉B，用择近法原则识别B。 2.茶叶的模糊识别。 设论域U={条索，色泽，净度，汤色，香气，滋味}，茶叶等级标准样品有5种：A1，A2，A3，A4，A5，构成标准模型库{A1,A2,A3,A4,A5},待识别的茶叶模型为B，反映茶叶质量的有6个指标.x1:条索、x2:色泽、x3:净度、x4:汤色、x5:香气、x6:滋味。它们的参数由下表给出。请根据择近原则识别B的茶叶类型。 质量指标 A1 A2 A3 A4 A5 B 条索 0.5 0.3 0.2 0 0 0.4 色泽 0.4 0.2 0.2 0.1 0.1 0.2 净度 0.3 0.2 0.2 0.2 0.1 0.1 汤色 0.6 0.1 0.1 0.1 0.1 0.4 香气 0.5 0.2 0.1 0.1 0.1 0.5 滋味 0.4 0.2 0.2 0.1 0.1 0.6 3.小麦品种的模糊识别。 设论域U={小麦}，由五种小麦优良