隶属度函数图与λ 截集

隶属度函数图

采用模糊理论与专家打分相结合的方法来确定贝叶斯网络根节点的先验概率。

事故发生的可能性分为极低（VL）、低（L）、中（M）、高（H）、极高（VH）五个等级，采用三角和梯形模糊数表示专家的评判语言，模糊数的定量化表达如图 所示

---

λ 截集

在模糊逻辑中，λ 截集（Fuzzy Cut）是一种根据隶属度函数对模糊集合进行截取的操作。

截集可以用来确定模糊集合中的元素是否满足一定的条件或者将模糊集合转化为非模糊的集合。 给定一个模糊集合，其隶属度函数表示元素与该模糊集合的隶属关系。

截集操作通过设定一个阈值（cut level），将隶属度大于等于该阈值的部分保留，而将隶属度小于该阈值的部分剪除。

形式化地说，对于一个模糊集合 A 和其隶属度函数 μ_A(x)，截集操作可以表示为：

A_cut(x) = { μ_A(x),  if μ_A(x) >= cut level, 0,       if μ_A(x) < cut level }

其中，A_cut(x) 表示截集后的模糊集合，μ_A(x) 是原始模糊集合的隶属度函数，cut level 是设定的截集阈值。

通过截集操作，我们可以获得一个新的模糊集合，其中隶属度大于等于截集阈值的元素被保留，而隶属度小于截集阈值的元素被剪除，从而将模糊集合转化为非模糊的集合。