第8章 模糊模式识别 - 西安电子科技大学.ppt

　　2. 模糊分类 　当硬分类矩阵中元素的取值位于［0, 1］区间, 即硬分类矩阵V变成模糊分类矩阵, 则硬分类变成模糊分类。 模糊分类矩阵具有如下性质: 　(1) vik∈［0, 1］; (2) ； (3) 。 　　【例 8.4】　设样本集为{x1, x2, x3}, 则 都是模糊分类矩阵。 　　事实上, 每一个模糊分类矩阵都可以用若干个硬分类矩阵的加权平均来表示。 例如,  8.3.4　模式分类的最大隶属原则与择近原则 　　模糊模式识别中主要有两种判决准则: 最大隶属原则和择近原则。 其中, 前者主要应用于个体的识别, 后者主要应用于群体模型的识别。  　　1. 最大隶属原则 　　普通模式识别中的模式是明确、 清晰和肯定的, 例如印刷体汉字识别中, 模式就是印刷体汉字。 但是, 在很多实际问题中, 模式本身就具有一定的模糊性, 如“矮个子”、 “中等个子”和“高个子”。 对于这类问题, 可以根据最大隶属原则来进行分类。  　　模式分类的最大隶属原则就是直接利用样本的隶属度, 将其归入对应于最大隶属度的类别中。 　　设　　　　　是论域U上的m个模糊子集, 其隶属函数分别为 　　　　　　　　　　　, 对任一给定的u0∈U, 如果 那么, u0隶属于　　。 这个原则称为最大隶属原则。 　　【例 8.5】　根据人的年龄, 把人分为年轻、 中年、 老年三类, 分别对应三个模糊子集　　　　　　。 考虑论域U=(0, 100］, 　　　　　的隶属函数分别为(如图8-9所示)： 　　张三今年40岁，由上述隶属函数，有　　　　 　　　　　 ，根据最大隶属原则,他是中年人。 　　隶属原则的思想简单，其效果依赖于模式类隶属函数的建立。此外，隶属原则主要适用于个体的识别。 图8-9 例8.5中隶属函数示例图 　　2. 择近原则 　　如果模式本身是U上的一个模糊子集, 识别的对象也是论域U上的一个模糊子集, 而不是某一特定的单个元素, 则可以利用模糊子集之间的接近程度(即贴近度)进行模式分类。 　　定义8.17 　设 ，若映射 　　 ： 满足条件:  (1) ； (2) ； (3) 若 或 ，则 则称 为模糊子集　　与　的贴近度; σ称为F(U)上  的贴近函数。 　　目前, 针对不同的问题, 已经提出了多种贴近度σ的计算方法, 主要的几种如下: 　　 　　1) 距离贴近度 　　(1) 海明距离贴近度。 　　设 为有限论域, 则　　之间的海明距离贴近度为 ， (8-45) 进一步, 当U为实数域上的闭区间［a, b］时, 则有 (8-46) 　　(2) 欧几里德距离。 设 , U={u1, u2, …, un}为有限论域, 则　　　之间的欧几里德距离贴近度为 (8-47) 进一步, 当U为实数域上的闭区间［a, b］时, 则有 (8-48) 　　(3) 明可夫斯基距离。 设 　　　　　, U={u1, u2, …, un}为有限论域, 则　　　之间的明可夫斯基距离贴近度为 (8-49) 图8-7 柯西分布 (a) 偏小型；(b) 偏大型；(c) 中间型 6）岭形分布 （1）偏小型（图8-8(a)) （2）偏大型（图8-8(b)) （3）中间型（图8-8(c)） 图8-8 岭形分布 (a) 偏小型；(b) 偏大型；(c) 中间型 8.1.3　模糊子集的运算 　　1. 基本运算 　 两个模糊子集之间的运算是通过对两个隶属度作逐点的运算来实现的。  　　 (1) 相等: 设　和　为论域U上的两个模糊子集, 若　　, 有　　　　　　　　　, 则称　和　　相等, 即 (8-6) 　　(2)包含：设　和　为论域U上的两个模糊子集，若 ，有 　　　　，则　包含　，即 (8-7) 　　(3) 空集：设　为论域Ｕ上的模糊子集，若　　　　，有　　　　　，则称　为空集，记为　，即 (8-8) 　　(4) 补集：设 　和 　为论域Ｕ上的两个模糊子集，若 ，有 (8-9) 则称 　为　 的补集。 　　(5) 全集：设 　为论域U上的模糊子集，若 ，有 ，则称 　为全集，记为　，即 (8-10) 　　(6)并集：设　，　，　都为论域Ｕ上的模糊子集，若 ，有 　　　　　　　　 　，则称 　为　 与 　的并集，即 (8-11) (7) 交集：设 ，