模式识别第十二章.ppt

第1页，共40页，星期日，2025年，2月5日12.2模糊集的基本知识模糊集（FussySet）：由隶属度函数uA(x)描述或定义的。其自变量是所有可能属于集合A的对象。隶属度函数：表征元素x隶属于集合A的程度，用uA(x)表示第2页，共40页，星期日，2025年，2月5日uA(x)取值：[0，1]（完全不属于A）（完全属于A）uA(x)越接近1，表示x属于A的程度越高，uA(x)越接近0,则x属于A的程度越低。模糊集可表示为：或：第3页，共40页，星期日，2025年，2月5日空间X中，的样本集合称为模糊集A的支持集S(A),支持集中的元素称作A的元素。显然确定集可看作模糊集的特例的情况第4页，共40页，星期日，2025年，2月5日例1．5个学生，其中男生3人，女生2人。A1、A2分别表示男女生集合，则显然，A1、A2分界分明。但当构成一个表示“有才干的学生”的集合时，传统集合难以应用，这是可对每个元素确定一个数，表示隶属程度第5页，共40页，星期日，2025年，2月5日例2．有1、2、3、4、5五个数，用模糊集表示“大的数”和“小的数”，适当选取隶属度，则有例3：用水的温度表示“开水”第6页，共40页，星期日，2025年，2月5日用模糊集表示更合理，更接近日常理解传统集合（确定集合）模糊集第7页，共40页，星期日，2025年，2月5日（模糊集的不确定性是人脑对客观事物的一种主观反映，人的心理过程就是其隶属函数形成的基本过程。）确定隶属度函数的方法：（非常重要）1）根据个人经验和认识（专家确定法）：比较适合于元素离散、有限的情况2）选用典型函数：已有公认的对客观事物真实而本质化的“指标”，可直接采用这些指标描述问题的不确定性例：S形、?形隶属函数p278第8页，共40页，星期日，2025年，2月5日可采用常见的模糊分布：矩形分布、?分布、正态分布、梯形分布、三角分布等第9页，共40页，星期日，2025年，2月5日3）根据统计特性得到的经验曲线：应用较广泛的方法模糊集运算：1）相等：2）包含：B是A的子集3）并隶属函数：第10页，共40页，星期日，2025年，2月5日隶属函数：也定义为：第11页，共40页，星期日，2025年，2月5日A的补：A‘的隶属函数：图12.3：模糊函数的基本运算第12页，共40页，星期日，2025年，2月5日12.2模糊特征和模糊分类一、特征模糊化（即特征的变换）将原特征?模糊特征；明确分类?模糊分类由于类别（本质）和特征（表象）之间可能存在较复杂的非线性关系，直接利用特征分类识别，必然效果不佳或方法复杂。为使关系更直接、简单，可将原来特征值域分成若干部分，并且使各部分特征含义做更本质的变换，于是特征模糊化。第13页，共40页，星期日，2025年，2月5日例：将[-4，＋4]间的连续变化量转化为模糊量：正大、正小，零、负小、负大首先可将[＋4，-4]离散化，＋4对应“正大”的隶属度为1。隶属函数若采用三角函数，则可得不同模糊量的隶属度-4-3-2-101234正大0000000.30.61.0正小00000.30.61.00.60.3零000.30.61.00.60.300负小0.30.610.60.30000负大1.00.60.3000000第14页，共40页，星期日，2025年，2月5日当读入精确量3.2时，可归入最近的离散值3，则有?将精确量转化为模糊量。第15页，共40页，星期日，2025年，2月5日特征模糊化：用这些新的模糊特征代替原来的特征进行模式识别。例：针对人的体重分类特征：体重可分为：偏轻，中等，偏重三个模糊特征按照一定的模糊规律，把原来的一个或多个特征分为多个模糊变量，同时配以一定的隶属函数，使其每个模糊变量表达原来特征的某一局部特性，这些新特征能更好反映目标的本质，提高分类器性能。第16页，共40页，星期日，2025年，2月5日可选用图12.4的函数表示隶属函数如：x=75kg,u中等＝0.5,u