模糊控制 之 模糊集，隶属函数，模糊关系

什么是模糊集呢？模糊集相对于普通集合而言，用隶属度用函数表示，普通集合用特征函数表示。当然，他俩都是在论域下的。

支集( S u p p A = { x ∣ x ∈ U , A ( x ) > 0 SuppA=\{x|x\in U,A(x)>0 SuppA={x∣x∈U,A(x)>0)是F集合(模糊集，边界不明显的)中所有大于零的元素组成的集合(毕竟F集也是包含0的)

核( K e r A = { x ∣ x ∈ U , A ( x ) = 1 KerA=\{x|x\in U,A(x)=1 KerA={x∣x∈U,A(x)=1)是F集合中所有等于1的元素组成的集合(普通集了)

如果支集不为空，则称为正规F集，注意幂集记作$\psi U$(实在打不出来，符号超级复杂)

特征函数就是在不在，$A$就是代表特征函数(它取值0~1之间)。

集合数积(乘上一个数$\lambda$)，输出0到1，这里$\lambda$就是$[0,1]$(0到1之间某一个数)，这样$\lambda A$就会限制到$[0,\lambda ]$。

曲线是随便乱画的，凡是出现的曲线属于$SuppA$，$KerA$是最高的点。

经典集合的凸集

就是任意两点之间的连线上的所有点都在集合内，这就是凸集。
凸F集的定义是任何中间的隶属度($A(x_3)\ge min(A(x_1),A(x_2)),A(x_3)=A(x_1)\wedge A(x_2)$)，都要大于两边元素的隶属度中的小者(对就是小者)，反应在曲线上是一个单峰A(x)函数

把实数域上的正规的，凸F集称为正规实模糊数，简称模糊数，即把以某个实数值为核的，凸F集称为F数(F数的本质是凸F集)。F数是一类特殊的F集合，是实数域上的F集合，它的性质和一般F集合完全相同，例如”20岁左右“(20就是A的核，20岁上下的隶属度都小于20岁的1，这是没问题的，这就是凸F集)，”1.8m上下“，既可以用F集合表示，也可以用F数表示(例如F数2，F数3，F数20)。靠近程度用隶属度函数表示。隶属度函数输出的是隶属度，一个事实一般有多个隶属函数，这些隶属函数有一部分相交(例如青年，中年，老年)。

模糊集的扩充，例如基本概念扩充法(实际上也是隶属函数集的建立过程)，例如：${\mu }_{极大}(u)={\mu }_{大}^2(u)$(这实际上是另一个隶属函数了)。这个非常非常好用(老师说的)。注意这是小数，平方后变小了(保留两位就可以了，老师要求就这样) 。最后的隶属值会变小(用离散值举例)。至今为止，确定隶属函数的具体方法大多停留在经验，实践和实验数据上，经常使用的经验方法有以下几种：模糊统计法，二元对比排序法，专家经验法(教授还是吃香的。。。)，神经网络法。无论哪种方法，都离不开人的主管参与和客观实际的检验。F集合完全由隶属函数所描述。

模糊函数(向量)的组合
设论域为$U$，如果任何一个$x$，有$A(x)=1$，则称A为论域$U$上的全集(把年龄想象成离散的，一共1-100岁，这个隶属函数全是1，说明它表示全年龄，这就是这样的全集，$A(x)\equiv 1$)，同理，模糊空集为($A(x)\equiv 0$)，F全集与F空集都属于经典集合。

模糊集合还有相等，
包含(均有$A(x)\le B(x)$)，
并集($C(x)=max[A(x),B(x)]=A(x)\vee B(x)$)，
交集($C(x)=min[A(x),B(x)]=A(x)\wedge B(x)$)，
补集($B(x)=1-A(x)$)(实际上是函数(映射关系)的组合)

模糊关系就是两个模糊集之间的关系，也就是两个隶属函数之间的关系。模糊关系可以想象成不同厨师对一道菜色香味的评分。例如好吃与高分的关系，好吃与低分的关系。

模糊关系脱离模糊集而存在。是论域$U,V$的关系，其实也是$U\times V$的一个子集，即$R\subseteq U\times V$，对于其中的元素，如果$(u,v)\in R$则称$u$与$v$有$R$关系，否则称没有关系。
$$U{\to }^{R}V$$

所谓直积，就是这个：
A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } A\times B=\{(a,b)|a\in A,b\in B\} A×B={(a,b)∣a∈A,b∈B}

若$A$与$B$有关系$R$，那也是$A\times B$的子集了。序偶$(a,b)$也会有隶属度为${\mu }_R(a,b)$。它是一种新的模糊集。

序偶隶属度与普通隶属度的联系在于：
下面是一条模糊规则：
$$\begin{gathered} A\to B或IFA(u)THENB(v) \\ R=A\times B={\int }_{U\times V}min({\mu }_A(u),{\mu }_B(v))/(u,v) \end{gathered}$$

那么$R$就是一个模糊矩阵。这时候算法就跟矩阵乘积一样了。笛卡尔乘积就是可以形成序偶。
接下来就是模糊关系与模糊关系的关系，合成：
R 1 ∘ R 2 μ R 1 ∘ R 2 ( u , w ) = ∨ { μ R 1 ( u , v ) ∧ μ R 2 ( v , w ) } R_1\circ R_2\\ \mu_{R_1\circ R_2}(u,w)=\vee\{\mu_{R_1}(u,v)\wedge \mu_{R_2}(v,w)\} R1​∘R2​μR1​∘R2​​(u,w)=∨{μR1​​(u,v)∧μR2​​(v,w)}

什么意思呢？这是正常的矩阵操作，取大取小跟矩阵一模一样。
R ( x , z ) = ( P ∘ Q ) ( x , z ) = { ( x , z ) ∣ ∃ y , ( x , y ) ∈ P , ( y , z ) ∈ Q } R(x,z)=(P\circ Q)(x,z)=\{(x,z)|\exists y,(x,y)\in P,(y,z)\in Q\} R(x,z)=(P∘Q)(x,z)={(x,z)∣∃y,(x,y)∈P,(y,z)∈Q}
什么叫模糊变换呢？就是一个模糊集(向量)跟一个序偶模糊集(矩阵)相乘，的出来一个向量，这是模糊变换(也是模糊合成的一种)。
$$A\circ R=B$$

但在色香味例子中，$A$只是一个权重，$R$是评价矩阵，$B$为总和评价矩阵，反正也是从一个关系转移到另一个关系了。另外最后还需要归一化。

下面说明几种清晰化方案：

1. 模糊集合的截集，说白了，就是绩点。当然，如果连续的模糊集合无限分层，或者大量相差很小的经典集合求并，会成为模糊集合，反之，F集合的截集合可以使F集合转化为经典集合。截集的定义为：
   A λ = { x ∣ x ∈ U , A ( x ) ≥ λ } A_\lambda=\{x|x\in U,A(x)\ge\lambda\} Aλ​={x∣x∈U,A(x)≥λ}
   称$A_{\lambda }$为A的一个$\lambda$-截集，$\lambda$为阙值或置信水平。
   称集合 A λ = { x ∣ x ∈ U , A ( x ) > λ } A_\lambda=\{x|x\in U,A(x)>\lambda\} Aλ​={x∣x∈U,A(x)>λ}为F集A的一个$\lambda$-强截集。
   $\lambda$-截集与$\lambda$-强截集都属于经典集合，利用数积的概念，任何一个模糊集合A可以看作无限多截集$A_{\lambda }$的并($A={\cup }_{\lambda \in [0,1]}(\lambda A_{\lambda })$)，这就是模糊集合的分解定理。该定理反映了F集合与经典集合的相互转化的关系。

2. 模糊关系矩阵的截矩阵
   关于一个哨兵$\lambda$，超过它就是1，没超过就是0，就这样。

模糊集合转化为数值，挺重要的。这种转换也称为模糊集合的清晰化或反模糊化。

1. 面积中心(重心)法，面积中心法直观合理，言之有据，但计算略显复杂。
2. 面积平分法，将隶属函数曲线面积平均分成两半，找这条线，用该值代表该模糊集合。直观合理，计算简便，在模糊控制器中使用较多。
3. 最大隶属度法，通常模糊集合并非都是正规的和凸的，隶属函数也并非一条连续直线。因此，用隶属度最大点对应的元素值，代表这个模糊集合是一种简便方法，称为最大隶属度法。但往往有以偏概全之嫌。说不定在多处隶属度都取最大值。这样还要用最大隶属度平均值法，最大隶属度最大值法，最小值法，这就是清晰化。