模糊数学-部分转载-作为自用笔记

前不久在某博客上看到这个问题：一杯水模糊有毒和一杯水概率有毒有何区别？答案是这样的：

1.概率有毒：说的是这杯水有毒几率是多少，只要概率不为0，就说明具有有毒的可能性。

2.模糊有毒：说的是这杯水有毒的程度是多少，只要隶属度不为0，那么这杯水一定具有毒性。

你感受到区别来了吗？概率表述的是有毒无毒这一特征的存在性问题，有毒就是1，无毒就是0，这是一个离散型变量；而模糊表述的是有毒的程度性问题，有毒不一定是1，无毒也不一定是0，它是一个在0~1区间的连续性变量，为了描述具有某一特性的程度。好了，我们正式进入主题，了解一下模糊数学的基础概念。

现实世界的量大概分为确定性的与非确定性的，而非确定性的又可以分为概率的与模糊的。

什么是确定性的呢？确定性是不随机的且不含糊的，具有必然性的，通常是一些定理、公式等；相反非确定性是含糊的、随机的，具有偶然性的。它们的诞生无一不指向同一目标：预知未来。现实生活中存在大量的非确定性，例如事件发生的几率（尽管很多事件只发生一次）、“很多”、“很老”、“很高”等一些常见语言名词，这些非确定性对科学研究造成巨大困扰，我们急需通过数学手段来解决这些问题，因此数学历史上便产生了像概率论与统计、模糊数学等数学研究，好让我们对未来有所预判，减少一些对不确定性的恐惧。
这些用来表示程度的形容词充满了不确定性和主观性，我们呢想把它们客观化

1、模糊集与隶属度

模糊集是一种具有模糊性质的集合。通常在经典集合论中，集合中的各个元素都是确定的，因此元素数量也是确定的，但在模糊集合中，我们并不能说某个元素一定属于这个集合，我们只能说这个元素到底有多大程度属于这个集合，这个程度通常通过区间[0,1]中的某个数字来确定，当数字偏向于1，说明元素很有可能属于这个集合，而当数字偏向于0时，说明元素很可能不属于这个集合，这个数字我们通常称为隶属度。那我们该如何确定隶属度呢？接下来我们介绍隶属函数。

2、隶属函数

隶属函数的唯一目的就是确定每个元素的隶属度，每一个模糊集合都对应一个隶属函数。打一个生动的比方，模糊集合犹如一个具有某种性质的大房子，上面写着可能具有此性质的人才能进入，元素犹如流落街头的甲，急切地想找到一个大房子寻求温暖，看到此房子后便想找一个机器判断一下自己是不是具有此房子所说的性质，于是便来到了机器面前，也就是隶属函数面前，进去之后得到一个测量值（隶属度），假如这个测量值为0，可悲的甲只能转身而去，因为测试值告诉他，他并不属于这个大房子，但只要这个测试值不为0，那么甲可以获得温暖的大房子。我想以上陈述已经把隶属函数以及隶属函数与模糊集、隶属度的关系说的很明确了，那么问题又来了，我们如何造出这个机器呢？也就是如何得到隶属函数呢？
函数的主要左右就是求值

3、隶属函数的选取

当然，按当前技术来说，我们并不需要自己建造这个机器，我们可以在商店挑一个嘛！如果你是一个大神，当然也可以自己创造！前提说明一下，每个隶属函数都带有主观性，因为隶属函数本质上还是通过经验得来的，只不过我们考虑了大部分人的经验，是对经验进行汇总得到的，以至于可以更加近似地得到“一般人”的看法，但是这种主观性依然消除不掉。下面说明选取机器的几种方法 ：

- 直觉法

人们用自己对模糊概念的认识和理解，或者人们对模糊概念的普遍认同来建立隶属函数。这种方法通常用于描述人们熟知、有共识的客观模糊现象，或者用于难于采集数据的情形。

- 二元对比排序法

二元对比排序方法就是通过对多个对象进行两两对比来确定某种特征下的顺序，由此来决定这些对象对该特征的隶属程度。这种方法更适用于根据事物的抽象性质由专家来确定隶属函数的情形，可以通过多名专家或者一个委员会，甚至- -次民意测验来实施。

- 模糊统计实验法

类似于统计学中的大样本实验法，根据概念所占比例确定其对应隶属度。

转自知乎用户“我是大坏蛋LJC”的文章《模糊数学基础讲解（一）》

4.个人理解

模糊数学是近几十年发展起来的一门学科，主要是想把主观的东西客观化，或者处理复杂系统中的一些问题，很多用于评价，核心思想是隶属度。

旺哥文章里用到的三角形隶属度函数归根结底也就是一种隶属度函数，目的就是求一个值——隶属度，所以把它看作一个用来求值的普通函数就好。