模糊数学笔记：六、模糊模型识别-II（择近原则）

1、模糊模型识别的第二类问题

上节讲到的模型识别问题本质是讨论一个对象（只有一种属性）对于多个标准模型的匹配程度。而还有一类问题是：被识别的对象是由多个对象组成的一个集合，或者被识别对象具有多种属性时的识别问题。

例如：在考虑人体健康时会检测其多种指标（如身高、体重、肺活量等），通常是根据其各指标的综合得分对其健康状态进行评估。

2、贴近度

• 定义：对模糊集$A,B$，

$${\sigma }_0(A,B)=\frac{1}{2}[A\circ B+(1-A\odot B)]$$

称为其格贴近度，这里$\circ ,\odot$ 分别表示其内积和外积。显然，格贴近度越大，二者越接近。

3、择近原则

• 设 论域$U$ 上有 $m$ 个模 糊 子集 $A_1,A_2,\cdots ,A_m,$ 构 成 一个标 准 模型库 { A 1 , A 2 , ⋯   , A m } , B ∈ F ( U ) \left\{A_{1}, A_{2}, \cdots, A_{m}\right\}, B \in \mathscr{F}(U) {A1​,A2​,⋯,Am​},B∈F(U) 为待识别的模型. 若存在 i 0 ∈ { 1 , 2 , ⋯   , m } , i_{0} \in\{1,2, \cdots, m\}, i0​∈{1,2,⋯,m}, 使得

$${\sigma }_0\left(A_{i_0},B\right)=\underset{k=1}{\bigvee }{\sigma }_0\left(A_k,B\right)$$

则称 $B$与$A_{i_0}$最贴近，或者说把 $B$ 归并到$A_{i_0}$类.

• 例：已知某作物的标准库为：

$$\begin{array}{rl}& A_1(\text{ 早熟 })A_1(x)={\mathrm{e}}^{-{\left(\frac{x-3.7}{0.3}\right)}^2},A_2(\text{ 矮杆 })A_2(x)={\mathrm{e}}^{-{\left(\frac{x-2.9}{0.3}\right)}^2}\\ & A_3(\text{ 大粒 })A_3(x)={\mathrm{e}}^{-{\left(\frac{x-5.6}{0.3}\right)}^2},A_4(\text{ 高也丰产 })A_4(x)={\mathrm{e}}^{-{\left(\frac{x}{0.3}\right)}^2}\\ & A_5(\text{ 中肥丰产 })A_5(x)={\mathrm{e}}^{-{\left(\frac{x-3.7}{0.2}\right)}^2}\end{array}$$

现有某品种特性函数为：
$$B(x)=e^{-{\left(\frac{x-3.43}{0.28}\right)}^2}$$
计算其贴近度：
$$\begin{array}{rl}{\sigma }_0\left(A_1,B\right)& =\frac{1}{2}\left[{\mathrm{e}}^{-{\left(\frac{3.43-3.7}{0.3+0.28}\right)}^2}+1\right]\approx 0.90,\\ {\sigma }_0\left(A_2,B\right)& \approx 0.72,{\sigma }_0(A_3,B)=0.50\\ {\sigma }_0\left(A_4,B\right)& \approx 0.76,{\sigma }_0\left(A_5,B\right)=0.86\end{array}$$
由此可知它属于第一类：早熟型。

注：对于连续的隶属度函数，求其贴近度时需要充分理解外积、内积的涵义，亦即对两个函数求最大值和最小值的方法。

另外，由于这类问题通常计算过程较为繁琐，因此通常是推荐使用工具进行计算。