《第五章模糊数学基础ppt课件.ppt》由会员分享，可在线阅读，更多相关《第五章模糊数学基础ppt课件.ppt（53页珍藏版）》请在三一办公上搜索。
1、第五章 模糊数学基础,第五章 模糊数学基础,5.1 概述 5.2 模糊集合与隶属度函数 5.3 模糊逻辑与模糊推理 5.4 模糊聚类,5.1 概述,5.1.1 传统数学与模糊数学 5.1.2 不相容原理,5.1.2 不相容原理,1965年，美国自动化控制专家扎德（L. A. Zadeh）教授首先提出用隶属度函数(membership function)来描述模糊概念，创立了模糊集合论，为模糊数学奠定了基础。 不相容原理:“随着系统复杂性的增加，我们对其特性作出精确而有意义的描述的能力会随之降低，直到达到一个阈值，一旦超过它，精确和有意义二者将会相互排斥”。这就是说，事物越复杂，人们对它的认识也
2、就越模糊，也就越需要模糊数学。不相容原理深刻的阐明了模糊数学产生和发展的必然性，也为三十多年来模糊数学的发展历史所证实。,5.2 模糊集合与隶属度函数,5.2.1 模糊集合及其运算 5.2.2 隶属度函数,5.2.1 模糊集合及其运算,一、模糊集合（Fuzzy Sets）的定义 “8到12之间的实数”，是一个精确集合C，C=实数r|8r12，用特征函数C(r)表示其成员。 “接近10的实数”是一个模糊集合Fr|接近10的实数，用“隶属度(Membership)” F(r)作为特征函数来描述元素属于集合的程度。,(a) (b) 图5.1 普通集合与模糊集合的对比,模糊集合的定义如下：论域U上的一
3、个模糊集合F是指，对于论域U中的任一元素uU,都指定了0,1闭区间中的一个数F(u)0,1与之对应，F(u)称为u对模糊集合F的隶属度。 F ：U0,1 u F(u) 这个映射称为模糊集合F的隶属度函数（membership function）。 模糊集合有时也称为模糊子集。 U中的模糊集合F可以用元素u及其隶属度F(u)来表示：,图5.2 “年轻”、“中年”、“老年”的隶属度函数,二、模糊集合的表示 1、离散论域 如果论域中只包含有限个元素，该论域称为离散论域。设离散论域u1,u2,，un，上的模糊集合可表示为 这只是一种表示法，表明对每个元素ui所定义的隶属度为F(ui)，并不是通常的求和
4、运算。,2、连续论域 如果论域是实数域，即，论域中有无穷多个连续的点，该论域称为连续论域。连续论域上的模糊集合可表示为 这里的积分号也不是通常的含义，该式只是表示对论域中的每个元素u都定义了相应的隶属度函数F(u)。,三、模糊集合的基本运算 1、基本运算的定义 设A，B是同一论域U上的两个模糊集合，它们之间包含、相等关系定义如下： lA包含B，记作AB，有 A(u)B(u) , uU l A等于B，记作AB，有 A(u)=B(u) , uU 显然，A=BAB且AB。,设A、B是同一论域U上的两个模糊集合，隶属度函数分别为A (u)和B (u)，它们的并、交、补运算定义如下： l A与B的交，记
5、作AB，有 AB(u)= A(u)B(u) =minA(u) , B(u) , uU l A与B 的并，记作AB，有 AB(u)= A(u)B(u) =maxA(u) , B(u) , uU,l A的补，记作 ，有 其中，min和表示取小运算，max和表示取大运算。,(a)A和B的交； (b)A和B的并； (c)A的补图5.3 模糊集合的三种运算,2. 基本运算定律 论域上的模糊全集和模糊空集定义如下： E(u)=1 , uU (u)=0 , uU 设，是论域上的三个模糊集合，它们的交、并、补运算有下列定律： 恒等律：AA=A，AA=A 交换律：AB=BA，AB=BA 结合律：(AB)C=A(
6、BC) ， (AB)C =A(BC),分配律：A(BC)=(AB) (AC) A(BC)=(AB) (AC) 吸收律：(AB) A=A，(AB) A=A 同一律：AE=E，AE=A，A=A，A = 复原律： 对偶律（摩根律）： 但是普通集合的“互补律”对模糊集合却不成立，即 ，,(a) (b) 图5.4 模糊集合的运算不满足“互补律”,四、模糊关系 设有两个集合A，B，A和B的直积AB定义为 AB=(a,b)aA , bB 它是由序偶(a,b)的全体所构成的二维论域上的集合。一般来说ABBA。 设AB是集合A和B的直积，以AB为论域的模糊集合R称为A和B的模糊关系。也就是说对AB中的任一元素(
7、a,b)，都指定了它对R的隶属度R(a,b)，R的隶属度函数R可看作是如下的映射： R ： AB0,1 (a ,b) R(a ,b),设R1是X和Y的模糊关系，R2是Y和Z的模糊关系，那么R1和R2的合成是X到Z的一个模糊关系，记作R1 R2，其隶属度函数为,例：设U=1,2,3,4,5，U上的“远小于”这个模糊关系用模糊子集表示为：“远小于”=0.1/(1,2)+0.4/(1,3)+0.7/(1,4)+1/(1,5) +0.2/(2,3)+0.4/(2,4)+0.7/(2,5)+0.1/(3,4) +0.4/(3,5)+0.1/(4,5)该模糊关系用矩阵表示为：,6.2.2 隶属度函数,目前
8、隶属度函数的确定方法大致有以下几种： 模糊统计方法：用对样本统计实验的方法确定隶属度函数。 例证法：从有限个元素的隶属度值来估计模糊子集隶属度函数。 专家经验法：根据专家的经验来确定隶属度函数。 机器学习法：通过神经网络的学习训练得到隶属度函数。,目前常用的隶属度函数有： 三角形 三角形隶属度函数曲线如图5.5所示，隶属度函数的解析式为,图5.5 三角形隶属度函数 图5.6 梯形隶属度函数, 梯形 正态型,图5.7 正态型分布曲线, 型 其中0,0 。 Sigmiod型,图5.8 型隶属度函数 图5.9 Sigmoid型隶属度函数,5.3 模糊逻辑与模糊推理,5.3.1 模糊逻辑 5.3.2
9、模糊语言 5.3.3 模糊推理,5.3.1 模糊逻辑,设有模糊命题X和Y，对应的真值（隶属度，也称为模糊变量）x，y0,1，称： XY为模糊逻辑合取（交、与），真值为xy= min(x,y) XY为模糊逻辑析取（并、或），真值为xy= max(x,y) 为模糊逻辑否定（补、非），真值为 为模糊逻辑蕴含，真值为 为模糊逻辑恒等，真值为,5.3.2 语言变量,一、模糊数与语言变量 模糊数和语言变量的定义如下： 连续论域U中的模糊数F是一个U上的正规凸模糊集合。这里所谓正规集合的含义就是其隶属度函数的最大值是1，即 凸集合的含义是：在隶属度函数曲线上任意两点之间，曲线上的任意一点所表示的隶属度都大于
10、或者等于两点隶属度中较小的一个，即在实数集合的任意区间a,b上，对于所有的xa,b，都有,语言变量用一个有五个元素的集合(,T(N),U,G,M)来表征，其中 (1)是语言变量的名称，如年龄、数的大小等； (2)U为语言变量N的论域； (3)T()为语言变量的值的集合，其中每个都是论域U上的模糊集合，如 T()T(年龄)=“很年轻”+“年轻”+“中年”+“较老”+“很老” 1+2+3+X4+X5,(4)G为语法规则，用于产生语言变量N的值的名称，研究原子单词构成合成词后词义的变化，并求取其隶属度函数。其中，用“或”、“与”、“非”作连接词构成的合成词，可以按模糊逻辑运算取真值；带修饰词算子的合
11、成词，其真值可以根据经验公式计算出来。常用的算子有以下几种： 语气算子，如“很”、“略”、“相当”等； 模糊化算子，如“大概”、“近乎”、“差不多”等； 判定化算子，如“偏向”、“多半是”、“倾向于”等。 (5)M是语义规则，根据语义规则给出模糊子集X的隶属度函数。,图5.10 表示年龄的语言变量,例 L. A. Zadeh在论域U=0,100岁内给出了年龄的语言变量值“老“的模糊子集隶属度函数为 其中修饰词的隶属度函数为：极A= A4 ， 非常A = A2 ，相当A= A1.25 ， 比较A= A0.75 ， 略A= A0.5 ， 稍微A= A0.25 。,现以60岁为例，通过隶属度函数分别
12、计算它属于“极老”、“非常老”、“相当老”、“比较老”、“略老”、“稍微老”的程度为 极老(60)=老 (60)4(0.8)40.41 非常老(60)=老 (60)2(0.8)20.64 相当老(60)=老 (60)1.25(0.8)1.250.757 比较老(60)=老 (60)0.75(0.8)0.750.845 略老(60)=老 (60)0.5(0.8)0.50.89 稍微老(60)=老 (60)0.25(0.8)0.250.946,二、模糊语句 1、模糊直言语句 模糊直言语句的句型为“x是A”，其中x是对象的名称，A是论域U上的一个模糊子集。 2、模糊条件语句 常用的模糊条件语句的句型
13、有： “若A则B”型，也记为if A then B； “若A则B否则C”型，也记为if A then B else C； “若A且B则C”型，也记为if A and B then C。,5.3.3 模糊推理,模糊推理的两种重要推理规则： 广义前向推理法（Generalize Modus Ponens，简称GMP） 前提1：如果x是A，则y是B 前提2：x是A 结论 ：那么y是B 广义后向推理法（Generalize Modus Tollens，简称GMT） 前提1：如果x是A，则y是B 前提2：y是B 结论 ：那么x是A,1975年Zadeh利用模糊变换关系，在广义前向推理法的基础上，提出了模
14、糊逻辑推理的合成规则，建立了统一的数学模型，用于对各种模糊推理作统一处理。其推理规则为： 前提 ：如果x是A，则y是B 事实 ：x是A 结论 ：那么y是 B=A(AB),即结论B可用A与由A到B的推理关系进行合成而得到，其中的算子“”表示模糊关系的合成运算，(AB)表示由A到B进行推理的关系或者条件，即“如果x是A，那么y是B”的简化表示方法。有时(AB)也可写成R AB，其隶属度函数被定义为 那么B=A(AB)的隶属度函数为 如何实现合成运算，有各种不同的方法，这决定于对蕴含运算的定义。,一、Zadeh模糊假言推理法 Zadeh把(AB)定义成 (AB)=1(1 - A + B) 或者 (A
15、B)=(AB)(1 - A)对于后者，其隶属度函数为,例：设U=1,2,3,4,5，定义模糊子集 A=“小”=1/1+0.5/2+0/3+0/4+0/5 A=“比较小”=1/1+1/2+0.5/3+0.2/4+0/5 B=“大”=0/1+0/2+0.4/3+0.6/4+1/5已知(1)如果x小，那么y大；(2)x比较小问：y怎么样？解：首先求AB导出模糊关系矩阵，然后合成,关于模糊推理和模糊控制,模糊推理和模糊控制已在工业界得到了广泛的应用模糊推理中关键两步的问题：1.导出模糊关系矩阵时，把模糊规AB则作为明晰规则的推广，并利用逻辑等价式：AB=AB=(AB)(AA)问题在于规则前提模糊集和结
16、论模糊集元素之间的关系应该是函数关系，而不是逻辑关系。2.模糊关系合成法则是人为给出的。正是由于该方法缺乏坚实的理论基础，所以可能会导致推理失败。为此，很多学者都致力于模糊推理的理论和方法研究。,二、Mamdani推理法 Mamdani则把(AB)定义成 (AB)=AB。下面是Mamdani推理法的具体过程。 设U1，U2，.， Un 为n个有界论域，记Ui= ai，bi 。每个论域按一定规则分为li 个凸模糊子集Aij ，其隶属度函数记为Aij(xi)。记Si = Aij |j=1,2,., li 。则我们将模糊规则集表示为： 其中m为模糊规则数，n为输入变量个数，A , BSi 。,如果有
17、事实“ if x1 is a1 and x2 is a2 and . xn is an”，则结论“Y is B ” 可以这样得出：由前提和第j条模糊规则可得到推理结果为Bj，则 其中j=1,2 .m ,“”表示min操作。 经上式推理后的结论B可综合推理结果B1，B2 ，Bm 得到: 其中“”表示max操作。,图5.11所示的是规则数为3（m=3），变量个数为2(n=2)的Mamdani推理过程。,图5.11 Mamdani推理过程,三、模糊加权推理法 在模糊加权型推理法中，模糊规则集的结论表示为wj / zj，即将规则表示为： 将推理结果中的运算改为“” 运算，定义事实“x1 is a1 a
18、nd x2 is a2 and . xn is an”和各模糊规则的前件的适合度为： j=1,2 .m,则最终的结论z0可将规则后件zj在各适合度中带上权重wj，由加权平均法求得。,四、广义模糊加权推理法 定义输入变量xi的模糊子集数为ki ，输出变量Y的 模糊子集数为l，设 ，则模糊规则的最大条 数为。将规则的结论变为w j1 / z 1, w j2/ z2,., w j l/ zl ,则模糊规则集可表示为,定义事实和各模糊规则前件的适合度为 j： j=1,2,.,m 则最终的结论z0可由下面改进的加权平均法求得： 其中f(x)可取Sigmoid形函数，,5.4 模糊聚类,设采集到了m个单元
19、u1 , u2 , um的数据，令目标对象集合为U，即,其中， 是第i个单元的状态信息集合。用n个属性来描述 ，记 的第个k属性值为 ,则可用向量,来描述第i个目标。当属性选定并对每一个目标都赋值后，一个目标对应于n维空间的一个点，U便对应于n维空间中的一个点集。,目标聚类问题的形式化描述：把给定的一组模式U划分为m个模糊子集U1, U2, Um ，若用 表示模式uk隶属于模糊子集Ui的程度，则得到这组模式的模糊划分。,聚类过程,（1）样本数据标准化,（2）选择相似系数并计算相似矩阵,（3）聚类,选择不同的值，可以得到不同的水平截集，得到动态聚类结果。,相似系数rij是表示两个样本之间相似程度
20、的变量。 ,对任意 ,考虑模糊相似矩阵R的 截矩阵:,当 时， ，当 时， 。,思考题3,1. 设样本空间=a, b, c, d，M1, M2为定义在上的概率分配函数。已知： M1b, c, d=0.7, M1a, b, c, d=0.3 M2a, b=0.6, M2a, b, c, d=0.4求它们的正交和M1 M2.2.设U=1,2,3,4,5，定义模糊子集 A=“小”=1/1+0.5/2+0/3+0/4+0/5 A=“比较小”=1/1+1/2+0.5/3+0.2/4+0/5 B=“大”=0/1+0/2+0.4/3+0.6/4+1/5已知(1)如果x小，那么y大；(2)x比较小问：y怎么样？,
