模式识别(第十二讲2010).pptVIP

* * * 第十二章 模糊模式识别方法 基础：模糊集理论 传统集合论的推广：模糊集?集合理论 模糊逻辑?二值逻辑 模糊集理论：对客观事物更合理的抽象和描述。 模糊也是一种不确定性 模糊数学：从数学角度研究模糊集与模糊逻辑。 模糊数学可应用于很多领域，将其用于模式识别，则形成了模糊模式识别 12.2 模糊集的基本知识 模糊集（Fussy Set） ：由隶属度函数uA(x)描述或定义的。其自变量是所有可能属于集合A的对象。 隶属度函数： 表征元素x隶属于集合A的程度，用uA(x)表示 uA(x)取值：[0，1] （完全不属于A ） （完全属于A） uA(x)越接近1，表示x属于A的程度越高， uA(x)越接近0, 则x属于A的程度越低。 模糊集可表示为： 或： 空间X中， 的样本集合称为模糊集 A的支持集S(A),支持集中的元素称作A的元素。 显然确定集可看作模糊集的特例 的情况 例1．5个学生，其中男生3人，女生2人。A1、A2分别表示男女生集合，则 显然， A1、A2分界分明。 但当构成一个表示“有才干的学生”的集合时，传统集合难以应用，这是可对每个元素确定一个数，表示隶属程度 例2． 有1、2、3、4、5五个数，用模糊集表示“大的数”和“小的数”，适当选取隶属度，则有 例3：用水的温度表示“开水” 用模糊集表示更合理，更接近日常理解 传统集合（确定集合） 模糊集 （模糊集的不确定性是人脑对客观事物的一种主观反映，人的心理过程就是其隶属函数形成的基本过程。） 确定隶属度函数的方法：（非常重要） 1）根据个人经验和认识（专家确定法）： 比较适合于元素离散、有限的情况 2）选用典型函数： 已有公认的对客观事物真实而本质化的“指标”，可直接采用这些指标描述问题的不确定性 例：S形、?形隶属函数 p278 可采用常见的模糊分布： 矩形分布、?分布、正态分布、梯形分布、三角分布等 3）根据统计特性得到的经验曲线： 应用较广泛的方法 模糊集运算： 1）相等： 2）包含： B是A的子集 3）并 隶属函数： 隶属函数： 也定义为： A的补： A‘的隶属函数： 图12.3 ：模糊函数的基本运算 12.2 模糊特征和模糊分类 一、特征模糊化（即特征的变换） 将原特征?模糊特征；明确分类?模糊分类 由于类别（本质）和特征（表象）之间可能存在较复杂的非线性关系，直接利用特征分类识别，必然效果不佳或方法复杂。为使关系更直接、简单，可将原来特征值域分成若干部分，并且使各部分特征含义做更本质的变换，于是特征模糊化。 例：将[-4，＋4]间的连续变化量转化为模糊量： 正大、正小，零、负小、负大 首先可将[＋4，-4]离散化， ＋4对应 “正大”的隶属度为1。隶属函数若采用三角函数，则可得不同模糊量的隶属度 0 0 0 0 0 0 0.3 0.6 1.0 负大 0 0 0 0 0.3 0.6 1 0.6 0.3 负小 0 0 0.3 0.6 1.0 0.6 0.3 0 0 零 0.3 0.6 1.0 0.6 0.3 0 0 0 0 正小 1.0 0.6 0.3 0 0 0 0 0 0 正大 4 3 2 1 0 -1 -2 -3 -4 当读入精确量3.2时，可归入最近的离散值3，则有 ?将精确量转化为模糊量。 特征模糊化： 用这些新的模糊特征代替原来的特征进行模式识别。 例：针对人的体重分类 特征：体重 可分为：偏轻，中等，偏重三个模糊特征 按照一定的模糊规律，把原来的一个或多个特征分为多个模糊变量，同时配以一定的隶属函数，使其每个模糊变量表达原来特征的某一局部特性，这些新特征能更好反映目标的本质，提高分类器性能。 可选用图12.4的函数表示隶属函数 如：x=75kg ,u中等＝0.5 , u偏重＝0.5 x=72kg ,u中等＝0.8 , u偏重＝0.2 缺点：特征维数增加 体重(1维)?轻、中、重（3维） 优点：准确性增加 尽管特征数增多了，却可使分类结果与特征之间的关系线性化，达到更好的分类效果。 原特征变为模糊特征，能更好反映问题的本质 二、结果的模糊化 分类是把样本集合分成若干子集，用模糊子集代替，得到模糊的分类结果，即分