模糊模型识别
- 格式:ppt
- 大小:352.00 KB
- 文档页数:30
模糊模式识别1 模糊模式识别的原则(1) 最大隶属原则当模式是模糊的,被识别对象是明确的,问题可以描述如下:设有n 个模式,它们分别表示成某论域X (X 可以是多个集合的笛卡儿乘积集)的n 个模糊子集12,,,n A A A,而0x X ∈是一个具体被识别的对象,若有},2,1{n i ∈,使得12()m ax{(),(),,()}inA o A o A o A o x x x x μμμμ=则认为0x 相对属于模式i A。
对事物进行直接识别时,所依据的是最大隶属原则。
这种方法适合处理具有如下特点的问题:a 用作比较的模式是模糊的;b 被识别的对象本身是确定的。
(2) 贴近度原则当模式及被识别对象都是模糊的,问题可以描述如下:设论域X 的模糊子集12,,,n A A A代表n 个模糊模式,被识别的对象可以表示成X 的子集B,若有},2,1{n i ∈,使得12(,)max{(,),(,),,(,)}i n B A B A B A B A σσσσ=则认为B相对合于模式A。
在模糊模式识别的具体应用中,关键是模式或被识别对象的模糊集合的构造,即如何建立刻画模式或对象的模糊集合。
根据实际应用来看,通常有三种主要方法,简单模式的识别方法,语言模式的识别方法和统计模式的识别方法。
2 模糊模式识别方法(一)简单模式的模糊模式识别具体的模糊模式识别工作可分为如下三个步骤:1)选取模式的特征因子集合},,,{21n X X X =X,被识别的对象表示为nni i XXX X ⨯⨯⨯∆∏= 211上的向量(),,,21n x x x ,,1,2,,,i i x X i n ∈= 或者表示为∏=ni i X 1上的模糊子集;2)建立模糊模式的隶属函数()A X μ,1()ni i A F X =∈∏;3)利用最大隶属度原则或贴近度原则对被识别的对象进行归属判决。
特征因子(1,2,,)i X i n = 的选取直接影响识别的效果,它取决于识别者的知识和技巧,很难做一般性讨论,而模式识别中最困难的是建立模式的隶属函数,人们还没有从理论上彻底解决隶属函数的确定问题。
第6讲模糊模式识别(第三章模糊模式识别)一、模式识别一般原理1.模式识别的概念模式识别是人工智能的一个重要方面,也是一门独立的学科。
模式:用数学描述的信息结构或观察信号。
模式识别就是把要辨别的对象,通过与已知模式进行比较,从而确定出它和哪一个模式相类同的过程。
2.模式识别系统人们识别事物时,首先要对事物进行观察,抓住特点,分析比较,才能加以判断和辨别,而机器进行模式识别也同样要有这些过程。
因此模式识别系统通常由以下四个部分构成:①传感器部分:这是获取信息的过程。
比如摄像头就象人的眼睛,把图像信息变为电信号,麦克风象人的耳朵,获取声音信号,又如霍尔元件可以感受磁场,压电陶瓷可以把力转换为电信号等等。
②预处理部分:这是对信息进行前端处理的过程。
它把传感器送来的信号滤除杂波并作规范化、数字化。
③特征提取部分:这是从信号中提取一些能够反映模式特征的数据的过程。
④识别判断部分:这是根据提取的特征,按照某种归类原则,对输入的模式进行判断的过程。
二、模糊模式识别模糊模式识别主要是指用模糊集合表示标准模式,进而进行识别的理论和方法。
主要涉及到三个问题:(1)用模糊集合表示标准模式;(2)度量模糊集合之间的相似性;(3)模糊模式识别的原则。
例3.1 邮政编码识别问题识别:0,1,2,……,9关键:1)如何刻化,0,1,……,9(如何选取特征?)(区分)2)如何度量特征之间的相似性? 1.模糊集合的贴近度贴近度是度量两个模糊集合接近(相似)程度的数量指标,公理化定义如下:定义3.1 设,,()A B C F X ∈,若映射[]:()()0,1N F X F X ⨯→ 满足条件:①(,)(,)N A B N B A =; ②(,)1,(,)0N A A N X φ==; ③若A B C ⊆⊆,则(,)(,)(,)N A C N A B N B C ≤∧。
则称(,)N A B 为模糊集合A 与B 的贴近度。
N 称为()F X 上的贴近度函数。
Sugeno模糊模型是一种广泛应用于控制系统、模式识别和决策系统中的数学模型,它基于模糊集合理论和模糊逻辑,能够处理不确定性和模糊性信息,具有很强的鲁棒性和适应性。
本文将对Sugeno模糊模型的基本概念进行深入探讨,包括模糊集合、隶属函数、模糊规则以及模糊推理等方面。
1. 模糊集合的概念模糊集合是指元素的隶属度不是0或1,而是在0和1之间的一种中间状态。
它是模糊逻辑中的基本概念,表示了元素与某个概念的模糊程度。
在Sugeno模糊模型中,模糊集合通常用隶属函数来描述,隶属函数可以是三角形、梯形、高斯等形式。
2. 隶属函数的定义隶属函数是描述元素与模糊集合的隶属关系的函数。
它通常具有单调递增或单调递减的特性,可以通过一些参数来调节其形状。
对于三角形隶属函数,可以通过中心和宽度两个参数来确定其形状。
3. 模糊规则的建立模糊规则是Sugeno模糊模型中的重要组成部分,它描述了输入变量和输出变量之间的关系。
一般来说,模糊规则由若干个条件部分和一个结论部分组成,条件部分使用模糊逻辑运算符来连接多个隶属函数,结论部分则是输出变量的线性组合。
4. 模糊推理的方法模糊推理是Sugeno模糊模型的核心,它通过模糊规则对输入变量进行模糊推理,得到输出变量的模糊值,并通过去模糊化处理得到模糊输出。
常见的模糊推理方法包括最大隶属度法、最小最大法、加权平均法等。
Sugeno模糊模型通过模糊集合、隶属函数、模糊规则和模糊推理等基本概念,能够有效地处理不确定性和模糊性信息,具有广泛的应用前景和理论研究价值。
希望本文对Sugeno模糊模型的基本概念有所帮助,引发更多学者对其深入研究,推动模糊逻辑在各个领域的应用和发展。
Sugeno模糊模型是模糊逻辑在实际应用中的典型代表,在控制系统、模式识别、决策系统等领域展现出了强大的优势。
其基本概念包括模糊集合、隶属函数、模糊规则和模糊推理等,下面将对每个概念进行进一步扩展。
5. 模糊集合的运算在Sugeno模糊模型中,模糊集合之间可以进行交、并、补等运算,这使得模糊集合能够灵活地表达复杂的不确定性信息。
第30卷第12期 咸 宁 学 院 学 报 Vo.l 30,N o .122010年12月 Journal of X ianning University Dec .2010文章编号:1006-5342(2010)12-0059-02基于模糊模式识别的蠓虫分类数学模型*王 琪(电子科技大学 中山学院计算机工程系,广东 中山 528436)摘 要:首先在模糊聚类的前提下根据所给的5组蠓虫实际数据将其分为三个类别作为母本库,然后再利用模糊模式识别的贴近度法将待识别的三组数据进行贴近度计算,最后按照最大隶属度原则将它们归类到母体库中,具有很好的应用价值和广阔的使用前景.关键词:模糊聚类;贴近度;隶属度中图分类号:O 141文献标识码:A 0 引言模式识别是属于计算机应用科学范畴的一门交叉学科,具有丰富的研究内容和广泛的应用背景.所谓模式识别问题是指已知事物的各种类别(标准模式),判断对给定的或新得到的对象应该属于哪一类,或是否为一个新的类别的问题.如医生对病人的病情诊断;科学家对生物种群的识别;接收电话时对方的语音识别等,都可以归结为模式识别问题.在日常生活和实际问题中,有些模式界线是明确的,如识别男女性别时,其模式是非常清楚的;而有些模式界线是不很明确的,如识别一个人的 胖 与 瘦 其模式 胖 和 瘦 界线是不明确的;我们把这种界线不明确的模式称为模糊模式,相对应的识别问题称为模糊模式识别问题,而利用模糊集理论来处理模糊模式识别问题的方法称为模糊模式识别方法.1 模糊模式识别方法原理及其步骤1.1 模糊模式识别的分类模糊模式识别问题大致分为两种:一种是所有已知模式的全体(母体库)是模糊的,而待识别对象是分明的模式识别问题;另一种母体库和待识别对象都是模糊的模式识别问题.解决前一种模糊模式识别问题的方法称为模糊模式识别的直接方法,而解决后一种的方法称为模糊模式识别的间接方法.设U ={u 1,u 2,u 3, ,u n }为待识别的对象所构成的集合,U 中每一个待识别对象u i 有m 个指标u i 1,u i 2, ,u i m 记 u i =(u i 1,u i 2, ,u im ) (i =1,2, ,n)如果待识别对象集合U 可以分成p 个类别,且每一类别均为U 上的一个模糊集,记为A 1,A 2,A 3, ,A p ,我们将其称为模糊模式.1.2 构造模糊模式若现在有两种蠓虫A f 和Apf 已由生物学家根据它们的触角长和翼长加以区分,观测的数据如表1,其中1~3号的为Af 蠓,4~5号的为A pf 蠓.现在根据上述数据来建立模糊模式.1.2.1 数据规格化由于m 个指标的量纲和数量级可能不太一致,所以一般在使用数据之前先将数据规格化,使每一指标值都统一到某种共同的数值特性范围.本文使用最大值规格化.(1)先把所给数据整理成一个特征指标矩阵,如下所示:表1蠓虫触角长和翼长数据序号12345触角长1.241.361.561.261.30翼长1.721.742.082.001.96U *=1.241.721.361.741.562.081.262.001.301.96(2)数据规格化在特征指标矩阵中作变换x 'ij =x ijM ji =1,2, ,5;j =1,2.其中M 1=1.56,M 2=2.08(表示每一列的最大数),那么上述矩阵就可以变成为:U *=0.790.830.870.84110.810.960.830.941.2.2 构造模糊相似矩阵将已经规格化的数据x 'ij =(i =1,2, ,5;j =1,2)利用最大最小法可构造模糊相似矩阵R =(r ij )5 5,这里:r ij = 2k =1(x 'ik x 'jk ) 2k =1(x 'ik x 'jk )经计算可得到: R =10.950 810 920 920 9510 860 900 920 810 8610 890 890 920 900 8910 980 920 920 890 9811.2.3 利用平方自合成运算求t(R )由于由上述方法构造出的对象与对象之间的模糊关系*收稿日期:2010-07-19矩阵R 一般来说只是一个模糊相似矩阵,而不一定具有传递性,从而未必是模糊等价矩阵.而模糊相似矩阵R 的传递闭包t(R )就是一个模糊等价矩阵,因此可以以t(R )为基础进行分类.R 2=10 950 810 920 920 9510 860 900 920 810 8610 890 890 920 900 8910 980 920 920 890 981 10 950 810 920 920 9510 860 900 920 810 8610 890 890 920 900 8910 980 920 920 890 981=10 950 890 920 920 9510 890 920 920 890 8910 890 890 920 920 8910 980 920 920 890 981 RR 4=10 950 890 920 920 9510 860 920 920 890 8910 890 890 920 920 8910 980 920 920 890 981 10 950 890 920 920 9510 860 920 920 890 8910 890 890 920 920 8910 980 920 920 890 981=10 950 890 920 920 9510 860 920 920 890 8910 890 890 920 920 8910 980 920 920 890 981=R 2所以t(R )=R 2.1.2.4 动态聚类,建立母本库适当选取置信水平值 [0,1],求出t(R )的 截矩阵t(R ) ,然后按t(R ) 进行分类,具体的聚类原则如下.设t(R )=(r )5 5,t(R ) =(r ij ( ))5 5,则r ij ( )=1r ij0r ij <.(1)首先,把t(R )中的元素从大到小的顺序编排如下:1>0 98>0 95>0 92>0 89当 =1时,5个样本分为5类,显然不合理;若 =0 98,则5个样本分为3类A 1类:x 1,x 2A f 蠓虫;A 2类:x 3Af 蠓虫;A 3类:x 4,x 5A pf 蠓虫如果取 <0 98的任意值,则会出现Af 蠓虫和A pf 蠓虫就会混为一类,使分类结果和实际情况不相符合.因此,取 =0 98,既能使分类数最少,又能使A f 和A pf 蠓虫分开,所以为最佳分类.(2)建立母本库将上面的分类结果直接作为母本库中的模糊集,就有下面的模糊模式.2 模糊模式识别过程及方法我们知道两个模糊集合之间的接近程度可以用贴近度来度量,两个模糊集合之间的贴近度越大,他们就越接近.因此可以利用贴近度来解决待识别对象与已知模式都是论域U 上的模糊集合的模糊模式识别问题.现有三只蠓虫的触角长和翼长的数据B 1(1 24,1 80),B 2(1.28,1.84)和B 3(1.40,2.04).先根据所给的模糊模式来确定其类别.表2 母本库指标平均值类别蠓虫母体样本指标平均值触角长翼 长1A f x 1,x 21.301.732A f x 31.562 083A pfx 4,x 51.281.982.1 择近原则若A 1,A 2,A 3为论域U 上的3个模糊模式(母本库),B F (U )为一个待识别的对象,若 (B,A i )=m ax { (B,A 1), (B,A 2), (B,A 3)},则认为B 应该属于模式A i ,其中 为F (U )的某种贴近度.下面的计算中取: (B,A i )=2i =1A (u i ) B (u i )2i =1A (u i )B (u i )有:(B 1,A 1)=0.958, (B 1,A 2)=0.835, (B 1,A 3)=0 933 (B 2,A 1)=0.959, (B 2,A 2)=0.857, (B 2,A 3)=0 957 (B 3,A 1)=0.881, (B 3,A 2)=0.945, (B 3,A 3)=0 944由上面所给的最大隶属于可得:(B 1,A 1)=m ax { (B 1,A 1), (B 1,A 2), (B 1,A 3)},故B 1(1.24,1.73)属于A 1类,且为Af 蠓虫.(B 2,A 1)=m ax { (B 2,A 1), (B 2,A 2), (B 2,A 3)},故B 3(1.28,1.84)属于A 1类,且为Af 蠓虫.(B 3,A 2)=m ax { (B 3,A 1), (B 3,A 2), (B 3,A 3)},故B 3(1.40,2.04)属于A 2类,且为Af 蠓虫.3 总结文章通过模糊聚类得到了模糊模式,然后通过贴近度模式识别从而判断待识别对象的归类情况,具有很好的示范性和可操作性,能够在实际生活中起到一定的作用,但是在实际操作过程计算量非常的大,若能够通过计算机来求解的话能够减少很多工作量,节约很多时间.参考文献:[1]张兴华.模糊聚类分析的新算法[J].数学的实践与认识,2005,35(3):138~141.[2]吴善杰.关于模糊聚类分析方法的进一步思考[J].华北科技学院学报,2008,5(1):108~111.[3]王霞.模糊聚类分析的一个改进算法及其应用[J].天津科技大学学报,2009,12(6):71~73.[4]陈水利,李敬公,王向公.模糊集理论及其应用[M ].北京:科学出版社,2005.[5]刘承平.数学建模方法[M ].北京:高等教育出版社,200260咸宁学院学报 第30卷。
《模糊数学》教学大纲课程编号:121082B课程类型:□通识教育必修课□通识教育选修课□专业必修课□√专业选修课□学科基础课总学时:32 讲课学时:32 实验(上机)学时:0学分:2适用对象:金融数学专业先修课程:数学分析、高等代数、概率论与数理统计毕业要求:1.掌握数学、统计及计算机的基本理论和方法2.具备国际视野,能够与同行及社会公众进行有效沟通和交流一、教学目标模糊数学是统计学院金融数学专业选修的基础课之一。
通过本课程的学习,使学生对模糊数学的原理和思想方法有一个基本的认识。
掌握应用模糊数学的原理分析和解题的基本技巧。
了解模糊数学方法在各个领域的应用,为应用模糊数学知识解决问题打下基础。
二、教学基本要求本课以课堂讲授为主。
适当补充一些模糊数学在实际中应用的实例,理论联系实际。
在各章中均可安排一些内容引导学生自学,通过布置作业和讨论题,提高学生自己解决问题与分析问题的能力。
同时,也可适当让学生自己来寻找一些实际问题,应用学过的知识来进行分析、综合、评判,以期达到更好的巩固、应用的目的。
(一) 模糊数学的基本理论和基本原理1、模糊集合是处理模糊事物的新的数学概念,是模糊数学的基础。
理解模糊集的定义、表示方法、模糊集的运算。
了解模糊算子的定义及各种模糊算子,了解模糊集的模糊度定义。
2、理解模糊集截集的定义及性质,掌握模糊数学的基本原理:分解定理(联系普通集与模糊集的桥梁)、扩张原理。
了解模糊数及模糊数的运算。
(二) 模糊数学方法及其在各领域中的应用1、理解模糊关系的概念及性质,深入理解在有限域的情况下,模糊关系可以用矩阵表示。
理解模糊关系合成的定义及性质。
理解掌握贴近度概念及最大隶属原则和择近原则。
了解模糊变换以及模糊控制。
2、对于模糊数学方法的应用。
重点掌握模糊模式识别、模糊聚类分析、模糊综合评判决策,以及了解它们在不同领域的应用举例。
每章节后的习题要求全部完成;本课程建议使用形成性和终结性考试相结合,并各占50%比例。
模糊数学知识小结与模糊数学相关的问题模糊聚类分析—根据研究对象本身的属性构造模糊矩阵,在此基础上根据一定的隶属度来确定其分类关系模糊层次分析法—两两比较指标的确定模糊综合评判—综合评判就是对受到多个因素制约的事物或对象作出一个总的评价,如产品质量评定、科技成果鉴定、某种作物种植适应性的评价等,都属于综合评判问题。
由于从多方面对事物进行评价难免带有模糊性和主观性,采用模糊数学的方法进行综合评判将使结果尽量客观从而取得更好的实际效果模糊数学基础一.Fuzzy 数学诞生的背景1)一个古希腊问题:“多少粒种子算作一堆?”2)Fuzzy 概念的广泛存在性,如“找人问题”3)何谓Fuzzy 概念?,如何描述它?由集合论的要求,一个对象x,对于一个集合,要么属于A,要么不属于A,二者必居其一,且仅居其一,绝对不允许模棱两可。
这种绝对的方法,是不能处理所有科学的问题,即现实生活中的一切事物一切现象都进行绝对的精确化时行不通的,从而产生模糊概念。
二.模糊与精确的关系对立统一,相互依存,可互相转化。
- 精确的概念可表达模糊的意思:如“望庐山瀑布”“飞流直下三千尺,凝是银河落九天”- Fuzzy的概念也能表达精确的意思:模糊数学不是让数学变成模模糊糊的东西,而是让数学进入模糊现象这个禁区,即用精确的数学方法去研究处理模糊现象。
三. 模糊性与随机性的区别事物分确定性现象与非确定性现象- 确定性现象:指在一定条件下一定会发生的现象。
- 非确定性现象分随机现象与模糊现象* 随机性是对事件的发生而言,其事件本身有着明确的含义,只是由于发生的条件不充分,事件的发生与否有多种可能性。
* 模糊性是研究处理模糊现象的,它所要处理的事件本身是模糊的。
模糊数学的广泛应用性模糊技术是21世纪的核心技术模糊数学的应用几乎渗透到自然科学与社会科学的所有领域:1)软科学方面:投资决策、企业效益评估、经济宏观调控等。
2)地震科学方面:地震预报、地震危害分析。