最新模糊与概率.pptVIP

完整的模糊方形。越靠近模糊立方体的中点， A就越模糊。当A到达中点时，所有四个点 汇聚到中点处(模糊黑洞)。越靠近最近的顶点， A就越确定。当A到达顶点时，全部四个点发散到四个顶点，得到二值幂集合2X。模糊立方体将Aristotelian集合“流放”到顶点处。 A is properly fuzzy iff or iff * bjhk 三、模糊集合的大小——隶属度函数和 A=(1/3,3/4)的计数等于M(A)=1/3+3/4=13/12。计数M(A)等于从原点到A的矢量的模糊汉明范数(l1范数)。（X, In, M）定义了模糊理论的基本测量空间。 * bjhk 两个模糊集合A和B的 距离： 距离就是如上图所示的欧几里德距离。最简单的距离就是 模糊汉明距离 ，它是坐标差值的绝对值之和。利用模糊汉 明距离，计数 M可以写成 距离的形式： * bjhk 四、模糊集合的模糊程度——模糊熵 A的模糊熵E(A)，在单位超立方体In中从0到1，其中顶点的熵为0，表明不模糊，中点的熵为1，是最大熵。从顶点到中点，熵逐渐增大。引出熵的比例形式： * bjhk 模糊熵定理： 模糊熵定理的几何图示。由对称性，完整模糊方形的四个点到各自的最近顶点、最远顶点的距离都相等。该定理正式宣告了“西方逻辑”的终止。（ ） * bjhk 五、模糊集合间的包含关系——包含度定理 主导隶属度函数关系(dominated membership function relationship)： 如果A=(.3 0 .7)和B=(.4 .7 .9)，那么A就是B的一个模糊子集，但B不是A的模糊子集。显然，这种模糊包含度是非模糊的，它是非黑即白的。 B的所有模糊子集构成集合——模糊幂集F(2B)，它构成了在单位立方体中倚着原点的规则的超长方形，其边宽等于各隶属度值mB(xi) 。可以度量F(2B)的大小或体积V(B)，为隶属度值的乘积： * bjhk 点A可以是长方形内的点，也可以不是。在长方形F(2B)外不同的点A是B的不同程度的子集。而上述二值定义下的子集性忽略了这一点。考虑到集合A属于F(2B)的不同程度，通过抽象隶属度函数来定义包含度： 利用失配法(fit-violation strategy)，假定X包含有100个元素：X={x1,…,x100}。而只有第一个元素违背了主导隶属度函数关系，使得mA(x1)mB(x1)。直观上，我们认为A大部分是B的子集。可以估算，子集性为S(A,B)=0.01，并且，如果X包括1兆个元素，A几乎完全是B的子集了。可见失配的幅度mA(x1)-mB(x1)越大，失配的数目相对于模糊集A的大小越多，那么A就越不能算是B的子集，或者说，A就越象是B的超集。直观上有： * bjhk 这种包含度度量满足主导隶属度函数关系，当 时，S(A,B)=1。如果S(A,B)=1，则分子被加数应都为0，因此主导隶属度函数关系都满足。反之，当且仅当B是空集时， S(A,B)=0。而空集本来就无法包含集合，无论是模糊集还是非模糊集。在这两种极端情况之间，包含度的程度为： 0 S ( A, B ) 1 考虑匹配矢量A = (.2 0 .4 .5)和B = (.7 .6 .3 .7)。A几乎是B的子集，但不完全是，因为 所以， 类似可得： * bjhk 通过F(2B)边线的直线延伸，将超立方体In分割成2n个超长方形。非子集A1, A2 , A3, 分别位于不同的象限。西北和东南象限是固定主导隶属度函数的长方形，而西南和东北象限则是“纯”的长方形。通过F(2B)与A1, A3的范数距离，分别找到与西北和东南象的点A1, A3距离最近的点B1*和B3*。而离东北象限中的点A2距离最近的点B*就是B自身。由此可证得一般性勾股定理。且这种“正交”优化情况表明d(A,B)就是lp直角三角形的斜边。 * bjhk * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl *