数学建模方法05.pptVIP

模糊数学方法 模糊子集与隶属函数 模糊聚类分析 模糊关系 数据标准化 平移 ? 标准差变换 模糊相似矩阵建立方法 相似系数法 ----相关系数法 距离法 最佳分类的确定 模糊模型识别 模型识别的原理 模糊综合评判决策 模糊线性规划 多目标线性规划 * * 设U是论域，称映射 A(x)：U→[0,1] 确定了一个U上的模糊子集A，映射A(x)称为A的隶属函数，它表示x对A的隶属程度. 使A(x) = 0.5的点x称为A的过渡点，此点最具模糊性. 当映射A(x)只取0或1时，模糊子集A就是经典子集，而A(x)就是它的特征函数. 可见经典子集就是模糊子集的特殊情形. 例 设论域U = {x1 (140), x2 (150), x3 (160), x4 (170), x5 (180), x6 (190)}(单位：cm)表示人的身高，那么U上的一个模糊集“高个子”(A)的隶属函数A(x)可定义为 也可用Zadeh表示法： 还可用向量表示法： A = (0, 0.2, 0.4, 0.6, 0.8, 1). 另外，还可以在U上建立一个“矮个子”、“中等个子”、“年轻人”、“中年人”等模糊子集. 从上例可看出： (1) 一个有限论域可以有无限个模糊子集,而经典子集是有限的； (2) 一个模糊子集的隶属函数的确定方法是主观的. 隶属函数是模糊数学中最重要的概念之一，模糊数学方法是在客观的基础上，特别强调主观的方法. 定义1 设R = (rij)m×n, 0≤rij≤1, 称R为模糊矩阵. 当rij只取0或1时，称R为布尔(Boole)矩阵. 当模糊方阵R = (rij)n×n的对角线上的元素rii都为1时，称R为模糊自反矩阵. 定义2 设A = (aik)m×s, B = (bkj)s×n, 称模糊矩阵 A○B = (cij)m×n 为A与B的合成,其中cij = max{(aik∧bkj)| 1≤k≤s}. 定义3 设A = (aij)m×n,对任意的l∈[0, 1], 称Al = (aij(l))m×n,为模糊矩阵A的l?截矩阵. 定义3 设论域U = {x1, x2, … , xn}, U上各元素之间的模糊关系用rij(0≤rij≤1)表示. 若n阶模糊方阵R = (rij)n×n满足 ① 自反性：I≤R (?rii = 1); ② 对称性：RT= R (? rij = rji); ③ 传递性：R2≤R; 则称R为模糊等价矩阵. 只满足①自反性和②对称性的R称为模糊相似矩阵. 定理 存在一个最小的自然数k ( k≤n )，使得Rk为模糊等价矩阵. Rk称为R的传递闭包矩阵，记为t(R). 平方法求传递闭包t(R). 设论域X = {x1, x2, …, xn}为被分类对象,每个对象又由m个指标表示其特性: xi = { xi1, xi2, …, xim}, i = 1, 2, …, n 于是,得到原始数据矩阵为 其中 平移 ? 极差变换 相似系数法 ----夹角余弦法 其中 rij = 1 – c d (xi, xj ) 其中c为适当选取的参数. 海明距离 欧氏距离 切比雪夫距离 d (xi, xj ) = ∨{ | xik- xjk | , 1≤k≤m} 在模糊聚类分析中，对于各个不同的?∈[0,1]，可得到不同的分类，从而形成一种动态聚类图，这对全面了解样本分类情况是比较形象和直观的. 但在许多实际问题中，需要给出样本的一个具体分类，这就提出了如何确定最佳分类的问题. 设X = (xij)n×m为n个元素m个指标的原始数据矩阵. 为总体样本的中心向量. 对应于? 值的分类数为r，第 j 类的样本数为nj，第 j 类的样本标记为 第 j 类样本的中心向量为 作F- 统计量： 如果满足不等式F＞F? ( r -1, n -r )的F值不止一个，则可根据实际情况选择一个满意的分类，或者进一步考查差 ( F - F? )/F? 的大小，从较大者中找一个满意的F值即可. 实际上，最佳分类的确定方法与聚类方法无关，但是选择较好的聚类方法，可以较快地找到比较满意的分类. 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，问把它归到哪一模型，这就是模型识别. 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 所谓模糊模型识别,是指在模型识别中,模型是模糊的.也