个人博客地址 Glooow,欢迎光临~~~
文章目录
1. 模糊关系
定义:模糊关系 R R R 的隶属函数 μ R : U × V → [ 0 , 1 ] \mu_R:U\times V\to[0,1] μR:U×V→[0,1],其中 μ R ( x , y ) \mu_R(x,y) μR(x,y) 表示 ( x , y ) (x,y) (x,y) 具有关系 R R R 的程度
Remarks:实际上模糊关系 R R R 就是定义在一个笛卡尔积的论域 U × V U\times V U×V 上的模糊关系,与之前介绍的普通的模糊关系并无太大差别。
基本运算定义为:
- 并: μ R ∪ S ( x , y ) = μ R ( x , y ) ∨ μ S ( x , y ) \boldsymbol{\mu}_{R \cup S}(\boldsymbol{x}, \boldsymbol{y})=\boldsymbol{\mu}_{R}(\boldsymbol{x}, \boldsymbol{y}) \vee \boldsymbol{\mu}_{S}(\boldsymbol{x}, \boldsymbol{y}) μR∪S(x,y)=μR(x,y)∨μS(x,y)
- 交: μ R ∩ S ( x , y ) = μ R ( x , y ) ∧ μ S ( x , y ) \boldsymbol{\mu}_{R \cap S}(\boldsymbol{x}, \boldsymbol{y})=\boldsymbol{\mu}_{R}(\boldsymbol{x}, \boldsymbol{y}) \wedge \boldsymbol{\mu}_{S}(\boldsymbol{x}, \boldsymbol{y}) μR∩S(x,y)=μR(x,y)∧μS(x,y)
- 补: μ R ˉ ( x , y ) = 1 − μ R ( x , y ) \mu_{\bar{R}}(x,y)=1-\mu_R(x,y) μRˉ(x,y)=1−μR(x,y)
- 包含: R ⊆ S ⇒ μ R ( x , y ) ≤ μ S ( x , y ) \boldsymbol{R} \subseteq \boldsymbol{S} \Rightarrow \boldsymbol{\mu}_{R}(\boldsymbol{x}, \boldsymbol{y}) \leq \boldsymbol{\mu}_{S}(\boldsymbol{x}, \boldsymbol{y}) R⊆S⇒μR(x,y)≤μS(x,y)
- 相等: R = S ⇒ μ R ( x , y ) = μ S ( x , y ) \boldsymbol{R} = \boldsymbol{S} \Rightarrow \boldsymbol{\mu}_{R}(\boldsymbol{x}, \boldsymbol{y}) = \boldsymbol{\mu}_{S}(\boldsymbol{x}, \boldsymbol{y}) R=S⇒μR(x,y)=μS(x,y)
一些模糊关系有:
- 恒等模糊关系: R ( x , y ) = I x = y R(x,y)=\mathbb{I}_{x=y} R(x,y)=Ix=y
- 零模糊关系: O ( x , y ) = 0 O(x,y)=0 O(x,y)=0
- 全称模糊关系: E ( x , y ) = 1 E(x,y)=1 E(x,y)=1
2. 模糊矩阵
2.1 定义
对于有限论域 U , V U,V U,V,模糊矩阵的定义很容易可以获得 R i j = μ R ( x i , y j ) R_{ij}=\mu_R(x_i,y_j) Rij=μR(xi,yj)
当 R R R 的对角元素全部为 1 时,称为模糊自反矩阵
模糊矩阵对应于集合的运算定义为:
- 并: R ∪ S ⇔ R ∪ S = ( r i j ∨ s i j ) \boldsymbol{R} \cup \boldsymbol{S} \Leftrightarrow \boldsymbol{R} \cup \boldsymbol{S}=\left(\boldsymbol{r}_{i j} \vee \boldsymbol{s}_{i j}\right) R∪S⇔R∪S=(rij∨sij)
- 交: R ∩ S ⇔ R ∪ S = ( r i j ∧ s i j ) \boldsymbol{R} \cap \boldsymbol{S} \Leftrightarrow \boldsymbol{R} \cup \boldsymbol{S}=\left(\boldsymbol{r}_{i j} \wedge \boldsymbol{s}_{i j}\right) R∩S⇔R∪S=(rij∧sij)
- 补: R c = ( 1 − r i j ) R^c=(1-r_{ij}) Rc=(1−rij)
- 包含: R ⊆ S ⇔ ( r i j ) ≤ ( s i j ) \boldsymbol{R} \subseteq \boldsymbol{S} \Leftrightarrow\left(\boldsymbol{r}_{i j}\right) \leq\left(\boldsymbol{s}_{i j}\right) R⊆S⇔(rij)≤(sij)
- 相等: R = S ⇔ ( r i j ) = ( s i j ) \boldsymbol{R} = \boldsymbol{S} \Leftrightarrow\left(\boldsymbol{r}_{i j}\right) =\left(\boldsymbol{s}_{i j}\right) R=S⇔(rij)=(sij)
2.2 运算性质
2.3 截矩阵
截矩阵的定义为 R λ = ( r i j ( λ ) ) R_\lambda=(r_{ij}(\lambda)) Rλ=(rij(λ)),其中 r i j ( λ ) = I r i j ≥ λ r_{ij}(\lambda)=\mathbb{I}_{r_{ij}\ge\lambda} rij(λ)=Irij≥λ
Remarks:截矩阵的定义对应着截集的概念,截集得到的是普通集合,响应的截矩阵也是布尔矩阵,完全没有不确定度。
2.4 模糊关系合成
转置:略
模糊乘积:设 Q = ( q i j ) n × m , R = ( r i j ) m × t Q=(q_{ij})_{n\times m},R=(r_{ij})_{m\times t} Q=(qij)n×m,R=(rij)m×t,定义 S = Q R ∈ F n × t S=QR\in\mathcal{F}_{n\times t} S=QR∈Fn×t,有 S i k = ∨ j = 1 m ( q i j ∧ r j k ) S_{ik}=\vee_{j=1}^m(q_{ij}\wedge r_{jk}) Sik=∨j=1m(qij∧rjk)
Remarks:模糊乘积实际上表示了两个模糊关系的复合,即 Q ∈ F ( U × V ) , R ∈ F ( V × W ) Q\in\mathcal{F}(U\times V),R\in\mathcal{F}(V\times W) Q∈F(U×V),R∈F(V×W),最后合成了模糊关系 S ∈ F ( U × W ) S\in\mathcal{F}(U\times W) S∈F(U×W)。从公式上来看,模糊矩阵的乘积跟普通矩阵的乘积很像,只不过乘法换成了 ∧ \wedge ∧,加法换成了 ∨ \vee ∨。
模糊关系的合成具有以下性质:
3. 模糊关系性质
3.1 自反性、对称性、传递性
就像普通集合的关系一样,模糊集合有三个重要性质:自反性、对称性、传递性。
自反性:若 ∀ x ∈ U , μ R ( x , x ) = 1 \forall x\in U,\mu_R(x,x)=1 ∀x∈U,μR(x,x)=1,则称 R R R 满足自反性,相应的有模糊矩阵 I ⊆ R I\subseteq R I⊆R
定理 1:若
A
A
A 为自反矩阵,则有
I
⊆
A
⊆
A
2
⊆
⋯
⊆
A
n
⊆
⋯
I\subseteq A \subseteq A^2 \subseteq \cdots \subseteq A^n \subseteq \cdots
I⊆A⊆A2⊆⋯⊆An⊆⋯
对称性:若
∀
x
,
y
∈
U
,
μ
R
(
x
,
y
)
=
μ
R
(
y
,
x
)
\forall x,y\in U,\mu_R(x,y)=\mu_R(y,x)
∀x,y∈U,μR(x,y)=μR(y,x),则称
R
R
R 满足对称性,相应的有模糊矩阵
R
T
=
R
R^T=R
RT=R
传递性: μ R ( x , z ) ≥ ∨ y ( μ R ( x , y ) ∧ μ R ( y , z ) ) \mu_R(x,z)\ge\vee_y (\mu_R(x,y)\wedge\mu_R(y,z)) μR(x,z)≥∨y(μR(x,y)∧μR(y,z)),则称 R R R 满足传递性,相应的有模糊矩阵 R 2 ⊆ R R^2\subseteq R R2⊆R
定理 2:若
Q
Q
Q 为传递矩阵,则有
Q
⊇
Q
2
⊇
Q
3
⊇
⋯
⊇
Q
n
−
1
⊇
Q
n
⊇
⋯
Q \supseteq Q^{2} \supseteq Q^{3} \supseteq \cdots \supseteq Q^{\mathbf{n}-1} \supseteq Q^{\mathbf{n}} \supseteq \cdots
Q⊇Q2⊇Q3⊇⋯⊇Qn−1⊇Qn⊇⋯
3.2 模糊相似关系与等价关系
模糊相似关系: R ∈ F ( U × U ) R\in F(U\times U) R∈F(U×U),满足自反性和对称性 ⟹ I ⊆ R ⊆ R 2 ⊆ ⋯ ⊆ R n ⊆ ⋯ \Longrightarrow I\subseteq R\subseteq R^2\subseteq \cdots\subseteq R^n\subseteq \cdots ⟹I⊆R⊆R2⊆⋯⊆Rn⊆⋯
模糊等价关系: R ∈ F ( U × U ) R\in F(U\times U) R∈F(U×U),满足自反性、对称性和传递性 ⟹ R = R 2 = ⋯ = R n = ⋯ \Longrightarrow R=R^2=\cdots=R^n=\cdots ⟹R=R2=⋯=Rn=⋯
定理: R R R 为等价关系 ⟺ R λ \iff R_\lambda ⟺Rλ 为等价关系 ∀ λ ∈ [ 0 , 1 ] \forall \lambda\in[0,1] ∀λ∈[0,1]
Proof:若 R λ R_\lambda Rλ 为等价关系,则意味着 ∀ i , j , k \forall i,j,k ∀i,j,k,若 r i j ( λ ) = 1 , r j k ( λ ) = 1 ⟹ r i k ( λ ) = 1 r_{ij}(\lambda)=1,r_{jk}(\lambda)=1 \Longrightarrow r_{ik}(\lambda)=1 rij(λ)=1,rjk(λ)=1⟹rik(λ)=1。因此对于模糊矩阵来说,应有 r i j ≥ λ , r j k ≥ λ ⟹ r i k ≥ λ r_{ij}\ge\lambda,r_{jk}\ge\lambda \Longrightarrow r_{ik}\ge\lambda rij≥λ,rjk≥λ⟹rik≥λ。在此基础上易证充分必要性。
Remarks:这个定理将模糊等价关系转化为普通等价关系,而普通等价关系可以很容易分类。
3.3 对称闭包与传递闭包
对称闭包:设 A , A ^ , B ∈ F ( U × U ) A,\hat{A},B\in\mathcal{F}(U\times U) A,A^,B∈F(U×U),若 A ⊆ A ^ , A T ⊆ A ^ A\subseteq\hat{A},A^T\subseteq\hat{A} A⊆A^,AT⊆A^,且对任意包含 A A A 的对称关系 B B B,都有 A ^ ⊆ B \hat{A}\subseteq B A^⊆B,则 A ^ \hat{A} A^ 为 A A A 的对称闭包,记为 s ( A ) = A ^ s(A)=\hat{A} s(A)=A^。
实际上对称闭包就是包含 A A A 的最小的对称关系,很容易的有 s ( A ) = A ∪ A T s(A)=A\cup A^T s(A)=A∪AT
传递闭包: A ⊆ A ^ , A 2 ⊆ A ^ A\subseteq\hat{A},A^2\subseteq\hat{A} A⊆A^,A2⊆A^,且任意包含 A A A 的传递关系 B B B 都有 A ^ ⊆ B \hat{A}\subseteq B A^⊆B,则 A ^ \hat{A} A^ 为 A A A 的传递闭包,记为 t ( A ) = A ^ t(A)=\hat{A} t(A)=A^。
传递闭包定理 1: t ( A ) = A ∪ A 2 ∪ ⋯ ∪ A n ∪ ⋯ = ⋃ k = 1 ∞ A k t(A)=A\cup A^2 \cup\cdots\cup A^n\cup\cdots=\bigcup_{k=1}^\infty A^k t(A)=A∪A2∪⋯∪An∪⋯=⋃k=1∞Ak
传递闭包定理 2: t ( A ) = ⋃ k = 1 n A k t(A)=\bigcup_{k=1}^n A^k t(A)=⋃k=1nAk (可以使用鸽巢原理,证明 A n + 1 ⊆ A m , m ≤ n A^{n+1}\subseteq A^m,m\le n An+1⊆Am,m≤n)
传递闭包定理 3:相似矩阵 R ∈ U n × n R\in U_{n\times n} R∈Un×n 的传递闭包是等价矩阵,且 t ( R ) = R n t(R)=R^n t(R)=Rn
传递闭包定理 4:相似矩阵 R ∈ U n × n R\in U_{n\times n} R∈Un×n,则 ∀ m ≥ n , t ( R ) = R m \forall m\ge n,t(R)=R^m ∀m≥n,t(R)=Rm
传递闭包定理 5:相似矩阵 R ∈ U n × n R\in U_{n\times n} R∈Un×n,则 ∃ k ≤ n , t ( R ) = R k \exist k\le n,t(R)=R^k ∃k≤n,t(R)=Rk
Remarks:
- 定理 2 证明了传递闭包在实际中是可计算的
- 定理 3-5 中对相似矩阵求传递闭包就得到了等价矩阵,对后面的模糊据类很有用,因为模糊等价矩阵可以与普通等价矩阵联系起来,而若想进行分类,则必须依托于等价关系。