第6章 模糊设计和灰色设计.ppt

模糊数学分支的建立 1965年美国计算机与控制论专家L A Zadeh发表了“Fuzzy Sets”的论文，标志着模糊数学的诞生。 提出了模糊集概念，创造了研究模糊性或认知不确定性问题的理论方法。 模糊理论与技术一个突出的优点是能较好地描述与模仿人的思维方式，总结和反映人的体会与经验。 对复杂事物和系统可以进行模糊度量、模糊识别、模糊推理、模糊控制和模糊决策。 模糊理论与人工智能在神经网络和专家系统等方面相互结合的研究涉及计算机、多媒体、自动控制、信息采集与处理等高新技术的开发和利用。 例1 “黑色”集合 例1 “接近10的数”和”比“10大得多的数” 例1：人身高与体重的模糊关系 例2：距离问题 设X = {纽约（N），巴黎（P）}，Y = {北京（B），纽约（N），伦敦（L）}。则“距离远”的Fuzzy关系R可用矩阵表示： 模糊聚类分析 人们要认识世界就必须区别不同的事物并认识事物间的相似性。 按确定的标准对客观事物进行分类的数学方法称为聚类分析。 聚类分析是数量统计中多元分析的一个分支，把每个待辨识的对象严格地划分到某个类中，具有非此即彼的性质，这种划分的类别界限是分明的。 现实的分类往往伴随着模糊性，用模糊理论来进行聚类分析会显得更自然，更符合客观规律。 随着模糊理论的发展，Fuzzy聚类分析得到了广泛的应用，是模糊理论应用最广泛和最富有成果的领域之一。 模糊聚类分析 例：若X = {x1，x2，x3，x4，x5}，其各元素的模糊关系为： 该模糊矩阵为自反、对称、传递的。 聚类分析的实质 聚类分析的基本思想就是用相似性尺度来衡量事物之间的亲疏程度，并以此进行分类。 聚类分析的实质就是根据研究对象本身的属性来构造Fuzzy矩阵，并在此基础上根据一定的隶属度来确定其分类关系。 Fuzzy聚类分析的实施步骤 确定分类对象，抽取因素数据；每一对象由一组数据，即m个特征。 建立Fuzzy相似关系； 用rij∈[0,1]来刻画对象xi，xj之间的相似程度。 数据标准化： 均值规格化： 中心规格化： 最大值规格化： 极差规格化： Fuzzy聚类分析的实施步骤 数据规格化后可以通过下列方法建立相似矩阵。 数量积法： 余弦幅度法： 相关系数法： Fuzzy聚类分析的实施步骤 改造fuzzy相似关系为等价关系： Fuzzy聚类：对Fuzzy等价关系进行聚类处理，给定不同置信水平a，求矩阵，得到普通的分类关系。当a = 1时，每个样品自成一类，随着a值的降低，由细到粗逐渐归并，最后得到动态聚类谱系图。 例：环境单元的聚类分析 设每个单元包含空气、水分、土壤、作物4个要素，环境单元的污染情况由污染物在4个要素的含量超过的程度来衡量。现假设有5个环境单元，其污染数据位：X = {I，II，III，IV，V} I =(5，5，3，2）， II =(2，3，4，5）， III =(5，5，2，3）， IV =(1，5，3，1）， V =(2，4，5，1） 解：首先按方法8（绝对值减数法）建立Fuzzy相似关系矩阵R = （rij）5×5 取c = 0.1 Fuzzy模式识别 日常生活中，通过感官识别图形、文字、语言等； 气象科学中，通过卫星和气象资料分析进行预报； 工程勘察中，通过地质资料分析判断矿藏资源情况； 环境工程中，根据各级环境标准浓度评判污染程度； 医学诊断中，根据病人病情分析作出判断； 公安刑侦中，对指纹、痕迹的鉴别； 军事中，对雷达目标的识别。 已知各种类型去识别给定对象属于何种类型的问题，就是模式识别。 客观事物本身的模糊性，以及人对客观事物反映过程的模糊性，经典的识别方法不适应客观实际的要求。 Fuzzy模式识别的方法 直接方法：按最大隶属度原则归类，主要应用于个体的识别； 间接方法：按择近原则归类，一般用于群体模型的识别。 单特征模式的识别 个体的识别 最大隶属原则1：设A1、A2、…、An属于模糊集X，取定对象x0 ∈X，如果存在指标i，使Ai(x0) = max{A1(x0),A2(x0), …,An(x0)}，则认为x0相对隶属于Ai。 最大隶属原则2：设A1、A2、…、An属于模糊集X，取定对象x0 ∈X，规定一个阀值（水平）λ ∈(0,1]，记 a = max{A1(x0),A2(x0), …,An(x0)}若a λ ，则作“拒识”处理。若a ≥ λ ，则认为识别可行，按最大隶属度原则1判别。 最大隶属原则2可以避免因隶属度都很小而由隶属原则1作出偏离实际的判决。 多特征模式识别 对每一个数据样本考虑m个特征； 每一个样本xi就是一个特征向量： 灰色关联矩阵 设有n