2.3模糊信息处理3.pptVIP

第 3 章模糊模型识别 §3.1 模糊模型识别 模型识别原理 §3.2 最大隶属原则 最大隶属原则 §3.3 择近原则 内积与外积的性质 多个特性的择近原则 贴近度的的改进 小麦品种的模糊识别(仅对百粒重考虑) 隶属函数 蠓的分类 * * 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，把它归到哪一标准模型. 模型识别在实际问题中是普遍存在的.例如，学生到野外采集到一个植物标本，要识别它属于哪一纲哪一目；投递员(或分拣机)在分拣信件时要识别邮政编码等等，这些都是模型识别. 模糊模型识别 在模型识别中,模型是模糊的,即标准模型库中提供的模型是模糊的. 为了能识别待判断的对象x = (x1, x2,…, xn)T是属于已知类A1, A2,…, Am中的哪一类？ 事先确定一个一般规则, 知道了对象x的值, 根据这个规则立即作出判断, 称这样的规则为判别规则. 判别规则通过函数表达, 称为判别函数, 记作W(i; x). 知道了判别函数并确定了判别规则，最好将已知类别的对象代入检验，这一过程称为回代检验，以便检验你的判别函数和判别规则是否正确. 模糊向量的内积与外积 定义 称向量a = (a1, a2, …, an)是模糊向量, 其中0≤ai≤1. 若ai 只取0或1, 则称a = (a1, a2, …, an)是Boole向量. 设 a = (a1, a2, …, an), b = (b1, b2, …, bn)都是模糊向量，则定义 内积： a ° b = ∨{(ak∧bk) | 1≤k≤n}； 外积： a⊙b = ∧{(ak∨bk) | 1≤k≤n}. 内积与外积的性质 (a ° b )c = a c⊙b c ; (a⊙b ) c = a c ° b c. 最大隶属原则Ⅰ 设论域X ={x1, x2, … , xn }上有m个模糊子集A1, A2, … , Am(即m个模型),构成了一个标准模型库,若对任一x0∈X,有k∈{1, 2, … , m },使得 Ak(x0)=∨{A1(x0), A2(x0), … , Am(x0)}， 则认为x0相对隶属于Ak . 最大隶属原则Ⅱ 设论域X上有一个标准模型A,待识别的对象有n个：x1, x2, … , xn∈X, 如果有某个xk满足 A(xk)=∨{A(x1), A(x2), … , A(xn)}, 则应优先录取xk . 例1 在论域X=[0,100]分数上建立三个表示学习成绩的模糊集A=“优”,B =“良”,C =“差”.当一位同学的成绩为88分时,这个成绩是属于哪一类？ A(88) =0.8 B(88) =0.7 A(88) =0.8, B(88) =0.7, C(88) =0. 根据最大隶属原则Ⅰ,88分这个成绩应隶属于A,即为“优”. 例2 论域 X = {x1(71), x2(74), x3(78)}表示三个学生的成绩,那一位学生的成绩最差？ C(71) =0.9, C(74) =0.6, C(78) =0.2, 根据最大隶属原则Ⅱ， x1(71)最差. 设在论域X ={x1, x2, … , xn}上有m个模糊子集A1, A2, … , Am(即m个模型),构成了一个标准模型库. 被识别的对象B也是X上一个模糊集,它与标准模型库中那一个模型最贴近？这是第二类模糊识别问题. 先将模糊向量的内积与外积的概念扩充. 设A(x), B(x)是论域X上两个模糊子集的隶属函数,定义 内积： A ° B = ∨{A(x) ∧B(x) | x∈X }； 外积： A⊙B = ∧{A(x)∨B(x) | x∈X }. (1) (A ° B )c = Ac⊙Bc; (2) (A⊙B )c = Ac ° Bc; (3) A ° Ac ≤1/2; (4) A⊙Ac ≥1/2. 贴近度：两个模糊集A, B之间的贴近程度,用? (A, B)表示： ?0(A, B) = [A ° B + (1 -A⊙B)]/2 ?1(A, B) = (A ° B )∧(1- A⊙B) 择近原则 设在论域X = {x1, x2, …, xn}上有m个模糊子集A1, A2, … , Am构成了一个标准模型库,B是待识别的模型(模糊子集).若有k∈{1,2,…, m}, 使得 ? (Ak , B) =∨{? (Ai , B) | 1≤i≤m}, 则称B与Ak最贴近,或者说把B归于Ak类.这就是择近原则. 设在论域X ={x1, x2, … , xn}上有n个模糊