模糊数学及应用——（一）

计算智能学习——模糊数学及应用

---

一、为什么需要模糊数学

著名的沙堆问题：

“从一个沙堆里拿走一粒沙子，这还是一个沙堆吗？”

常识告诉我们应该回答“是”。然而，如果回答“是”，这样顺推下去就会掉入陷阱：从上次剩下的沙堆里再拿走一粒沙子，剩下的还是一个沙堆。那么，如此反复，直到只剩下两三粒沙子甚至没有一粒沙子时，这也还是一个沙堆。

一粒沙子都没有也被称为沙堆，这显然有问题

问题就在于“沙堆”这个概念是模糊的，没有一个清晰的界限将“沙堆”与“非沙堆”分开。
如果规定沙堆只能由10000粒以上的沙子组成，“沙堆”这个概念的模糊性就消除了。
10000粒沙子组成的是沙堆，9999粒沙子组成的不是沙堆：这在数学上没有任何问题。
然而，仅仅取走微不足道的一粒沙子，就将“沙堆”变为“非沙堆”，这不符合我们日常生活中的思维习惯。

这种在生活中常见的没有明确边界的模糊概念，在用传统数学方法处理时，往往会出现问题。

传统的数学方法常常试图进行精确定义：“非此即彼”

模糊数学：“亦此亦彼”

---

二、模糊数学概念

模糊数学是用来描述、研究、处理事务所具有的模糊特征（及模糊概念）的数学。模糊（Fuzzy）：有“不分明”、“界限不清”之意，是指研究对象。而“数学”是指研究方法，方法可以是精确的，二者并不矛盾。事物越复杂，人们对它的认识也就越模糊，也就越需要模糊数学（不相容原理）。

1.模糊集合

• 几个概念：
  论域：被讨论的全体对象称为论域，每个对象称为元素。
  集合：在论域中，具有某种属性的元素组成的总体称为集合。
  模糊集合：论域U上的一个模糊集合F是指，对于论域U中的任一元素u∈U,都指定了[0,1]闭区间中的一个数$u_F(u)\in [0,1]$与之对应，F(u)称为u对模糊集合F的隶属度。
  $u_F：U\to [0,1]$
  $u\to u_F(u)$

这个映射称为模糊集合F的隶属度函数。 模糊集合有时也称为模糊子集。
例： 以年龄为论域X=[0,100]，设“年轻”的模糊集Y，其隶属函数是：

Y的图象用隶属函数$u_Y$ 表示，则如下图所示。

区分模糊集合和经典集合
“8到12之间的实数”和“接近10的实数”

C={  r |8≤r≤12}，是一个精确（经典）集合。

 F＝{ r  |接近10的实数}，是一个模糊集合

---

2.模糊集合的表示（重点）

(1)向量表示法
若论域X包含有限个元素，即X={x1,x2….xn}时,X上的模糊集A可以用向量来表示：

(2) Zadeh 表示法

• 其中 / 并不表示“分数”，+号也不是求和运算。

(3)序偶表示法：
$A=(x_1,A(x_1)),\dots .,(x_n,A(x_n))$，此种方法隶属度为零的项可不列入。

如果论域Ｕ是实数域，即Ｕ∈Ｒ，论域中有无穷多个连续的点，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

• 模糊集合其他表示方法：描述法，隶属度函数法，几何图示法（略）
  模糊集两要素：论域、隶属度函数

---

3. 模糊集合的基本运算

• 这里注意交集就是取其中最小，并集就是取最大，非就是补集。

模糊集的基本定律

• 除了最后一条，模糊集的运算性质与经典集合一致。 $A^c$表示A的补集。

4.隶属度函数

• 正确地确定隶属函数是运用模糊集合理论解决实际问题的基础。

• 然而,目前确定隶属函数还没有一种成熟而有效的方法,一般是根据经验或模糊统计的方法来确定。

• 把神经网络与模糊逻辑结合，通过对神经网络的训练,由神经网络生成隶属函数是解决这一问题的有效方法。

目前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。

隶属度函数反映了事物的渐变性

5.其他概念

λ截集（重点）
λ截集是指隶属度大于等于λ的元素组成的集合
表示为：

• 注：$A_{\lambda }$是经典（精确）集：明确定义了对A的隶属度到达或超过某个λ水平者才算是$A_{\lambda }$的成员。

模糊关系的概念
关系：描写事物之间联系的数学模型。如：
x 对 y 有余弦关系（ y=cos x ）
a 对 b 有大小关系（ a>b ）

集合的笛卡尔积：（重点）

给定集合X和Y,由全体序偶(x,y)(x∈X,y∈Y)组成的集合,叫做X与Y的笛卡儿积(或称直积),记做：
$ X×Y={(x,y)|x∈X,y∈Y} $

模糊关系

是指笛卡儿积上的模糊集合,表示多个集合的元素间所具有的某种关系的程度。

若X,Y具有模糊关系R：

• R是以X×Y为论域的一个模糊子集
• 序偶(x,y)的隶属度为$u_R(x,y)$ 。$u_R(x,y)$ 在闭区间[0,1]取值,它的大小反映了(x,y)具有关系R的程度
• R可以用一个m×n阶矩阵表示，其中m是X元素的个数，n是Y元素的个数。

模糊关系与模糊矩阵建立了一一对应的关系 , 通常都把模糊矩阵和模糊关系看作是同一回事,均以R表示.

特别当$r_{(}ij)\in 0,1$则称R为布尔矩阵。

---