模糊集

1 背景

比如要对一些身高数据进行分类，划分出所有人身高高的集合，按照经典的集合论，一个成员要么属于该集合要么不属于。对于那种数值上与划定的确切数据相差细微的身高显然有些不太“人性”，在隶属描述上没有包含语义。

模糊集的方式就不存在上面所描述的问题，每一个成员都属于这个集合，只是具有不同的程度[0,1]。模糊集合是普通（二值）集合的一个扩展，用于处理“部分为真”的概念，可以对自然语言的不确定性进行建模。

2 模糊集定义

模糊集的元素对该集合具有隶属度，对一个模糊集的隶属度代表该元素属于该集合的确定性（或不确定性）。

正式定义如下：
假定X是论域（域），x∈X 是X的一个特定元素，则模糊集A由一个隶属度映射函数刻画：μA : X→[0,1]。因此，对于所有的x∈X，μA（x）代表元素属于模糊集A的确定性。

对于不同类型的域（离散、连续），模糊集的表示有所不同。对于离散域X，模糊集既可以用一个nx维向量表示，也可以用求和符号表示。比如：X={x1,x2,x3...xn},使用集合符号可以表示为：A=μA(x1)/x1+μA(x2)/x3+……+μA(xn)/xn

要注意上面表达式中的与代数求和含义不同，仅表示A是一个有序对集合。

3 隶属函数

隶属函数是模糊集的本质，一个隶属函数也被称为模糊集的特征函数。隶属函数的作用或者说代表的含义是：将域中的每一个元素的隶属度关联到一个对应的模糊集。模糊集的隶属函数可以是任何形状和类型，是由定义模糊集的领域的相关专家来确定的。

由于模糊集里隶属函数的含义，虽然隶属函数的形状和类型可以很多样，但是必须满足一下约束：

• 一个隶属函数必须有上下界0和1，即范围在[0,1]
• 对于每一个x∈X，μA(x)必须是唯一的。即对于一个模糊集来说，一个元素只能对应一个隶属度。

比如对于身高的隶属函数图形

这只是一个比较简单地隶属函数的例子，还有很多很复杂的离散或连续函数，“领域内的专家有责任定义能够捕获模糊集特征的函数”

4 模糊算子及关系

模糊集合的相等：集合元素相同并且隶属函数也相同

模糊集合的包含：元素以及隶属函数值都为包含

模糊集合的补（NOT）：一个集合A的补包含集合A的所有元素，但隶属度变为1-原来的隶属度值。即“实质是隶属度的补”

模糊集合的交（AND）：实现交的算子被称为t范数。t范数是的结果是包含两个模糊集合的所有元素，隶属度取决于特定的t-范数。t-范数有很多，最为常用的是最小算子和乘积算子（很容易理解，最小算子是取两个集合中该元素中小的那个隶属度，乘积算子是取其乘积）。

模糊集合的并（OR）：实现并的算子称为s-范数，结果也是包含两个模糊集合的所有元素，对于隶属度来说最频繁使用的是“最大算子”和“和算子”

二值集合可以通过文氏图来观察，模糊集可以通过最终的隶属函数图来观察这些操作。（本质的区别还是模糊集有隶属度）

5 模糊集的特性

模糊集由隶属函数来进行描述，隶属函数的特性：正规化、高度、支持、核、α截集、单峰性、基数、归一化

• 正规化：一个模糊集是正规的，如果该集合含有隶属度为1的元素；否则为次正规
• 高度：隶属函数的上确界
• 支持：模糊集A的支持是论域X中所有以非零隶属度属于A的元素的集合
• 核：域中所有隶属度为1的元素的集合
• α截集：隶属度大于等于α的元素所构成的集合
• 单峰性：一个模糊集是单峰的，如果他的隶属函数是单峰的，即函数仅有一个最大值
• 基数：模糊集的基数是该集合所有元素隶属度的集合（有限域、无限域均是）
• 归一化：用模糊集的高度除以隶属函数，即对模糊集进行归一化

6 模糊和概率的区别

很多人会弄混模糊和概率的概念，两个词都是描述事件发生的确定性（不确定性）程度，这也是这两个词仅有的共同点。

统计概率给出的确定性程度仅在相关事件发生前是由意义的，在事件过后，因为结果已经知道，概率不再适用。在一个时间发生后，模糊集的隶属度仍旧是有意义的，属于对应元素的程度仍然是相应的隶属度。

概率假定事件之间相互独立，模糊不基于该假设。概率假定任何事情均可知的一个封闭世界的模型，模型中的概率是基于发生事件的频率度量。模糊是基于域的描述性度量（按照隶属函数）而不是主观的频率度量。

概率和模糊集可以共同表达模糊事件的概率。