第一讲不确定性度量的几种方式.pptVIP

第一讲 系统的不确定性表征 区间（灰）数 模糊数 自然语言变量 直觉模糊数 随机变量 三端点区间数 未确知数 云模型 区间数的运算 区间数的大小比较 国内外对于区间数排序方法的研究虽然较多，但到目前还没有一个能够被大家所普遍接受的最好方法。 现有文献的区间数排序方法，基本上都是试图把这个不确定性的问题转换为确定性的问题，然而这样得到的排序结果可能会存在一定的不合理性，因此区间数排序问题值得进一步研究。 二、模糊数 针对这种模糊性的外延，元素与集合的关系，只能用隶属度来表示，即用[0，1]上的实数去衡量。如对于“高个子”这个模糊概念，可给出如下表示：身高(n1)　　2.1　　1.8　　1.5　　1.3隶属度　　0.95 0.83 0.1　　0.02即身高1.8m的人属于“高个子”集合的程度是83％(0.83)。 在模糊性现象中，不能用“属于”或“不属于”这两种绝对的判断来表示元素与集合之间的相互关系，而只能用隶属度来表示元素隶属于集合的程度。 隶属函数的确定和选择具有一定的主观性，既取决于对模糊集合的深刻认识，也取决于丰富的实践经验。 隶属函数的建立，通常方法是初步确定粗略的隶属函数，再通过“学习”和不断的实践检验，逐步修正和完善，从而达到主观与客观的一致。 常用的模糊数 三角模糊数 梯形模糊数 模糊数的运算规则 隶属函数概念用一个唯一的精确数值表示元素。 对模糊集合的隶属程度，不符合人们对自然语言中概念的理解。隶属函数一旦通过人为假定“硬化”成精确数值后，就被强行纳入到精确数学王国。 三、自然语言 自然语言的另外几种形式： 负对称的形式（S-2，S-1，S0，S1，S2，S3） 连续的形式（S2，S2.2） 自然语言处理的两种方式 四、随机变量 表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。 例如，某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。 一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω 。 随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。 例如，随机投掷一枚硬币 ，可能的结果有正面朝上 ，反面朝上两种 ，若定义X为投掷一枚硬币时正面朝上的次数 ， 则X为一随机变量，当正面朝上时，X取值1；当反面朝上时，X取值0。 如，掷一颗骰子 ，它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ，若定义X为掷一颗骰子时出现的点数，则X为一随机变量，出现1，2，3，4，5，6点时X分别取值1，2，3，4，5，6。 要全面了解一个随机变量，不但要知道它取哪些值，而且要知道它取这些值的规律，即要掌握它的概率分布。 概率分布可以由分布函数刻画。 若知道一个随机变量的分布函数，则它取任何值和它落入某个数值区间内的概率都可以求出。 变量的随机性的理解 考试成绩的随机性（考分的随机性；评分的随机性）； 判断的随机性，…， 五、未确知数 未确知数 六、三端点区间数 未确知数表达的科学性和复杂性 与三角模糊数的区别 七、（区间）直觉模糊数 八、云模型 云模型（Cloud model）是我国学者李德毅院士提出的定性和定量转换模型。 主要反映宇宙中事物或人类知识中概念的两种不确定性：模糊性(边界的亦此亦彼性) 和随机性(发生的概率) 。 它把模糊性和随机性完全集成在一起，研究自然语言中的最基本的语言值(又称语言原子) 所蕴含的不确定性的普遍规律。 使得有可能从定性信息中获得定量数据的范围和分布规律，也有可能把精确数值有效转换为恰当的定性语言值。 云由许许多多个云滴组成，一个云滴是定性概念在数量上的一次实现。 单个云滴可能无足轻重，在不同的时刻产生的云的细节可能不尽相同，但云的整体形状反映了定性概念的基本特征。 云的“厚度” 是不均匀的，腰部最分散，“厚度”最大；而顶部和底部汇聚性好，“厚度”小。 云的“厚度”反映了确定度的随机性的大小，靠近概念中心或远离概念中心处确定度的随机性较小, 而离概念中心不近不远的位置确定度的随机性大，这与人的主观感受相一致。 云的数字特征用期望值Ex ( Expected Value) 、熵En ( Ent ropy) 和超熵He (Hyper Entropy) 三个数值来表征, 构成定性和定量相互间的映射. 期望值Ex 是概念在论域中的中心值, 是最能代表这个定性概念的值, 通常是云重心对应的x 值, 它应该100 %地隶属于这个定性概念. Ex 反映了相应的定性知识的信息中心值. 熵En 是定性概念模糊度的度量,反映了在论域中可被这个概念所接受的数值范围,体现了定性概念亦此亦彼