完备格值Zadeh型函数

合集下载

粒计算研究综述

粒计算研究综述

第2卷第6期 智 能 系 统 学 报 V ol.2 .62007年12月 CAAI T ransactions on Intelligent Systems D ec.2007粒计算研究综述王国胤1,2,张清华1,2,胡 军1,3(1.重庆邮电大学计算机科学与技术研究所,重庆400065; 2.西南交通大学信息科学与技术学院,四川成都610031;3.西安电子科技大学电子工程学院,陕西西安710071)摘 要:粒计算(gr anular computing)是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法.它覆盖了所有有关粒度的理论、方法和技术,是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具.首先回顾了粒计算研究和发展状况,介绍了粒计算的基本组成和问题,综述了粒计算的基本模型和方法,并讨论了它们之间的相互关系,最后探讨了构建统一的粒计算模型、复杂问题空间的粒化、粒层之间的转换、高效的粒计算方法、新的粒计算模型、动态粒计算模型、自主粒计算模型、粒计算方法的模糊化以及粒计算模型的应用和推广等几个方面的关键问题.关键词:粒计算;数据挖掘;智能信息处理;粗糙集;模糊集;商空间中图分类号:T P18 文献标识码:A 文章编号:1673 4785(2007)06 0008 19An overview of granular computingWAN G Guo yin 1,2,ZHANG Qing hua 1,2,HU Jun 1,3(1.Institute of Comput er Science &T echno lo gy ,Cho ng qing U niversit y of Po st s and T eleco mmunications,Chong qing 400065,China;2.Scho ol of Infor matio n Science &T echnolog y,Southwest Jiao tong U niv ersit y,Chengdu 610031,China; 3.School of Electro nic Engineer ing,Xidian U niver sity,Xi an 710071,China)Abstract:In the field of com putational intelligence,granular computing (GrC)is a new w ay to simulate hu m an thinking to help solve co mplicated problems.Gr C involv es all the theories,methodo logies and tech niques o f granularity,pr oviding a pow erful to ol for the so lution of complex problems,m assiv e data min ing,and fuzzy information pr ocessing.In this paper,first the current situation and the developm ent pros pects of GrC are introduced,then the fundamental and ex isting problem s r elated to GrC ar e presented and its basic models and metho ds summ arized.Finally,som e future research topics abo ut GrC are presented,such as,uniform granular co mputing mo del,granulation of complex pro blem space,transform ation be tw een granule spaces,efficient g ranular co mputing algor ithm,nov el g ranular co mputing model,dy namic granular co mputing m odel,data driven g ranular co mputing m odel,fuzzy gr anular co mputing method,and the applications of gr anular computing models,etc.Keywords:g ranular computing;data m ining;intelligent inform ation processing;roug h sets;fuzzy sets;quotient space收稿日期:2007 04 02.基金项目:国家自然科学基金资助项目(60573068);新世纪优秀人才支持计划;重庆市教委科学技术研究资助项目(KJ060517).自Zadeh 1979年发表论文!Fuzzy sets and in form ation granularity ∀以来[1],研究人员对信息粒度化的思想产生了浓厚的兴趣.Zadeh 认为很多领域都存在信息粒的概念,只是在不同领域中的表现形式不同.自动机与系统论中的!分解与划分∀、最优控制中的!不确定性∀、区间分析里的!区间数运算∀、以及D S 证据理论中的!证据∀都与信息粒密切相关.H obss 在1985年直接用!粒度(granularity)∀作为论文题目发表论文[2],讨论了粒的分解和合并,以及如何得到不同大小的粒,并提出了产生不同大小粒的模型.Lin 在1988年提出邻域系统并研究了邻域系统与关系数据库之间的关系[3].1996年,他在U C Berkeley 大学访问时,向Zadeh 提出作!granular computing∀的研究,Zadeh称之为!g ranular mathematics∀,Lin改称为!granular co mputing∀,并缩写成Gr C.他发表了一系列关于粒计算与邻域系统的论文[4-10],主要是研究二元关系(邻域系统、Rough集和信任函数)下的粒计算模型,论述基于邻域系统的粒计算在粒结构、粒表示和粒应用等方面的问题,讨论了粒计算中的模糊集和粗糙集方法,并将粒计算方法引入数据挖掘和机器发现.依据人们在解决问题时能从不同的粒度世界去分析和观察同一问题,并且很容易地从一个粒度世界转到另一个粒度世界,张钹和张铃在1990年针对复杂问题求解,建立了一种复杂问题求解的商结构形式化体系,给出了一套解决信息融合、启发式搜索、路径规划和推理等问题的理论和算法[11-12].1997年,Zadeh进一步指出[13],世上有3个基本概念构成人类认知的基础:粒化、组织及因果关系.其中,粒化是整体分解为部分,组织是部分结合为整体,而因果关系则涉及原因与结果间的联系.物体的粒化产生一系列的粒子,每个粒子即为一簇点(物体),这些点难以区别,或相似、或接近、或以某种功能结合在一起.一般来说,粒化在本质上是分层次的,时间可粒化为年、月、日、小时、分、秒就是大家熟悉的例子.在Lin的研究基础上,Yao结合邻域系统对粒计算进行了详细的研究[14-16],发表了一系列研究成果[17-22],并将它应用于知识挖掘等领域,建立了概念之间的if then规则与粒度集合之间的包含关系,提出利用由所有划分构成的格求解一致分类问题,为数据挖掘提供了新的方法和视角.结合粗糙集理论,Yao探讨了粒计算方法在机器学习、数据分析、数据挖掘、规则提取、智能数据处理和粒逻辑等方面的应用.Yao给出了粒计算的3种观点[22]:1)从哲学角度看,粒计算是一种结构化的思想方法;2)从应用角度看,粒计算是一个通用的结构化问题求解方法;3)从计算角度看,粒计算是一个信息处理的典型方法.随着粒计算研究的发展,近年来国内外又有很多学者加入到了粒计算研究的领域.为了探讨粗糙集理论在各种环境下的应用,Skow r on[23-27]以包含度概念来研究粒近似空间上的Rough下近似和Rough上近似.刘清[28-30]在Roug h逻辑的基础上,提出了粒-逻辑的概念(G 逻辑),构造了这种逻辑的近似推理系统,并应用于医疗诊断.近几年来,在掀起粒计算研究的热潮中,商空间理论被人们广泛认识和推广,2003年张铃和张钹将模糊概念与商空间理论结合,提出模糊商空间理论,为粒计算提供了新的数学模型和工具,并成功应用于数据挖掘等领域[31-35].2002年苗夺谦等人[36]对知识的粒计算进行探讨,引入属性的重要度,并在求最小属性约简方面得到应用.王飞跃等人[37]对词计算和语言动力学进行了探讨,以词计算为基础,对问题进行动态描述、分析和综合,提出了设计、控制和评估的语言动力学系统.王国胤等人[38-44]提出了基于容差关系的粒计算模型,利用属性值上的容差关系给出了不完备信息系统的粒表示、粒运算规则和粒分解算法,同时结合粗糙集中的属性约简问题,提出了不完备信息系统在粒表示下属性必要性的判定条件,对粒计算方法在规则提取方面进行了探索.郑征等人[45-47]提出了相容粒度空间模型,并在图像纹理识别和数据挖掘中取得了成功,他们认为,人类具有根据具体的任务特性把相关数据和知识泛化或者特化成不同程度、不同大小的粒的能力,以及进一步根据这些粒和粒之间的关系进行问题求解的能力.卜东波等人[48]从信息粒度的角度剖析聚类和分类技术,试图使用信息粒度原理的框架来统一聚类和分类,指出从信息粒度的观点来看,聚类是在一个统一的粒度下进行计算,而分类却是在不同的粒度下进行计算,并根据粒度原理设计了一种新的分类算法,大规模中文文本分类的应用实践表明,这种分类算法有较强的泛化能力.Zhang等人[49-50]对粒神经网络进行了探讨,并在高效知识发现中得到很好的应用.李道国等人[51]研究了基于粒向量空间的人工神经网络模型,在一定程度上提高了人工神经网络的时效性、知识表达的可理解性.杜伟林等人[52]根据概念格[53]与粒度划分在概念聚类的过程中都是基于不同层次的概念结构来进行分类表示,而且粒度划分本身构成一个格结构的特点,研究了概念格与粒度划分格在概念描述与概念层次转换之间的联系,通过对概念的分层递阶来进行概念的泛化与例化,使概念在递阶方面忽略不必要的冗余信息.Yager[54]探讨了基于粒计算的学习方法和应用.Lin[55]在2006年粒计算国际会议上提出了新的研究思路!infrastruc tures for AI engineering∀.同时,Bargiela和Pe dry cz[56]也从各个侧面对粒计算的根源和实质进行了详细的探讨和总结.Yag er指出,发展信息粒的操作方法是当前粒计算研究的一个重要任务[57].1 粒计算的基本组成粒计算的基本组成主要包括3部分:粒子、粒层#9#第6期 王国胤,等:粒计算研究综述和粒结构.1 1 粒 子粒子是构成粒计算模型的最基本元素[58-59],是粒计算模型的原语.一个粒可以被解释为许多小颗粒构成的一个大个体,现实生活中,粒子无处不在,如在地图上观察洲、国家、海洋、大陆和山脉等是一些粗的粒子(大的粒子),观察省、市、区等是一些中等的粒子,而观察街道、饭店、机场等是一些相对较小的粒子.一个粒子可以被同时看作是由内部属性描述的个体元素的集合,以及由它的外部属性所描述的整体.一个粒子的存在仅仅在一个特定的环境中才有意义.一个粒子的元素可以是粒子,一个粒子也可以是另外一个粒子的元素.而衡量粒子!大小∀的概念是粒度,一般来讲,对粒子进行!量化∀时用粒度来反映粒化的程度[59].1 2 粒 层按照某个实际需求的粒化准则得到的所有粒子的全体构成一个粒层,是对问题空间的一种抽象化描述.根据某种关系或算子,问题空间产生相应的粒子.同一层的粒子内部往往具有相同的某种性质或功能.由于粒化的程度不同,导致同一问题空间会产生不同的粒层.粒层的内部结构是指在该粒层上的各个粒子组成的论域的结构,即粒子之间的相互关系.在问题求解中,选择最合适的粒层对于问题求解尤为关键,因为,在不同粒层求解同一问题的复杂度往往不同.在高一级粒层上的粒子能够分解成为下一级粒层上的多个粒子(增加一些属性),在低一级粒层上的多个粒子可以合并成高一级粒层上的粒子(忽略一些属性).粒计算模型的主要目标是能够在不同粒层上进行问题求解,且不同粒层上的解能够相互转化.1 3 粒结构一个粒化准则对应一个粒层,不同的粒化准则对应多个粒层,它反应了人们从不同角度、不同侧面来观察问题、理解问题、求解问题.所有粒层之间的相互联系构成一个关系结构,称为粒结构[20].粒结构给出了一个系统或者问题的结构化描述.通过从系统思维、复杂系统理论和层次结构理论(技术)中得到的启发至少需要确定一个粒结构网[20]中3个层次的结构:粒子的内部结构、粒子集结构和粒子网的层次结构.粒子集的集体结构可以看作是全部层次结构中一个层次或者一个粒度视图中的结构.它本身可以看作是粒的内部连接网络.对于同一个系统或者同一个问题,许多解释和描述可能是同时存在的.所以,粒结构需要被模型化为多种层次结构,以及在一个层次结构中的不同层次.虽然一个粒子在某个粒层上被视为一个整体,但粒子内部元素(子粒子)的结构在问题求解时也很重要,因为它能提供粒子更为详细的特性.而在同一层上的粒子之间也具有某种特殊的结构,它们可能是相互独立,或者部分包含.如果同一粒层上的粒子之间的独立性越好,可能问题求解后合并起来越方便;反之,如果粒子之间的相关性越好,则问题求解后的合并工作相对越繁杂.粒子网的层次结构是对整个问题空间的概括,它的复杂性在一定程度上决定了问题求解的复杂程度.2 粒计算的基本问题粒计算中存在2个最基本的问题,即粒化和粒的计算.问题空间的粒化是指将问题空间分解为许多子空间,或是基于有用的信息和知识将问题空间中的个体聚集成不同的类,这些类称之为粒.粒中的元素可以理解为对应概念的实例.可以把粒计算和概念生成、知识发现和数据挖掘联系起来,因为概念生成的目的之一是对具有某些概念的粒的表示、特征化、描述和解释,而知识发现和数据挖掘就是在粒之间建立关联和因果等联系.2 1 粒 化粒化是问题求解空间的一个构造性过程,它可以简单理解为在给定粒化准则下得到一个粒层的过程,是粒计算基础单元的构建,包括粒子、粒视图、粒网和层次结构.在不同的粒化准则下就得到多个粒层,进而得到粒层的网络结构.通常的粒化方法有自顶而下通过分解粗粒子得到细粒子的方法,和自底向上将细粒子通过合并得到粗粒子的方法.粒化过程是粒计算的必要过程.问题空间的粒化过程主要涉及粒化准则、粒化算法(方法)、粒子和粒结构的表示(描述)以及粒子和粒结构的定性(定量)描述等问题[59].粒化准则主要是语义方面的问题,解决为什么2个对象能放进同一个粒子内的问题.它是根据实际问题求解的具体需求和具体精度要求得到的.粒化准则的一个基本要求是忽略掉那些无关紧要的细节,从而达到降低问题求解复杂度的目的.粒化方法面对实际问题,回答如何对问题空间进行粒化,采用什么算法或工具实现粒层的构造,它属于算法方面的问题.如在粗糙集理论中,如何对对象集进行划分产生粒层,如何高效实现属性的约简等问题.粒子的结构描述主要是用粒化方法得到的粒子,如何用形式化的语言表述出来,以便后面进行计算.例如在粗糙集理论模型中,粒子的表示可能是一个子集.而#10#智 能 系 统 学 报 第2卷在概念格理论中,粒子的表述就是一个概念,它包括概念的外延(一个对象子集)和内涵(一个属性子集) 2部分.粒结构的描述往往形式多样,在商空间理论模型中,粒结构是一种分层递阶的结构,在概念格模型中,粒结构是一种H asse图.粒子和粒结构的定性、定量描述主要指粒子和粒结构的大小(主要是指粒度的结果)和复杂性度量.当前,成功的粒化方法往往都是以将解空间形成划分空间为主要的目标,这样便于将子空间上的解合成原问题空间的解,商空间理论就是这样一个成功的实例.当然,如果用某种粒化方法形成的解空间不是划分(如覆盖),这将增加合成的复杂度.2 2 粒的计算以粒子为运算对象进行问题的求解或推理,是狭义的粒计算.粒计算可以通过系统访问粒结构来解决问题,包括在层次结构中向上和向下2个方向的交互,以及在同一层次内的移动,主要分为2种[59]:同一粒层上粒子之间相互转换和推理,不同粒层上粒子之间的转换或推理.不同粒层之间的联系可以由映射来表示,在不同粒层上同一问题以不同的粒度、不同的细节表示,粒层之间的映射就建立了同一问题的不同细节描述之间的关系.商空间理论模型就是通过自然投影建立了分层递阶的商空间链式结构.粒计算的主要特点是同一问题的解可以在不同粒层之间自由转化.正是基于这一点,人们才能用粒计算方法高效地实现复杂问题的求解.模糊商空间上的分层递阶结构可以通过模糊等价关系的截关系建立相应的转化联系;粗糙集理论中的划分粒度可以通过属性的增加或删减来控制;而概念格理论模型中的概念粒子的相互转化可以通过改变概念的内涵来实现.这些转化虽然方式不同,但一个共同的特点是在转化的过程中,问题求解的重要性质必须能在不同粒层上表现出来,这也是评价粒化方法好坏的一个重要指标.如果在粒化后粒层之间的相互转化过程中,某些重要属性不能体现出来,这不但不利于问题的求解,反而会导致问题求解过程发散,从而增加问题求解的复杂度.商空间理论模型中的!保真∀和!保假∀原理使得粒化后形成的商空间具有!保序∀性,使得问题求解的搜索空间大大减少,复杂度由相乘变为相加.粒计算的2个基本问题中,粒化是关键,它直接决定粒计算的成功与否.因此,粒化方法是人们研究的热点问题.目前,粒化方法很多,如基于等价关系的划分产生粒子[17],基于模糊集产生模糊信息粒[1],基于模糊等价关系截集产生分层递阶粒空间[35],基于概念格产生概念信息粒和概念知识粒[60],基于邻域系统产生邻域粒子[3]等等.总之,粒计算是一个多准则学科,它从许多领域中获得其基本的思想、准则和方法,是基于不同层次粒度和细节的问题求解的一般性理论.在粒计算的!大伞∀下进行统一的研究,可以发现不同学科之间原理的关联,它与具体的学科研究是相互独立的[59].一旦掌握了粒计算中的结构化思维和结构化问题求解的抽象思想,就可以很容易地在任何领域中运用.3 粒计算的主要模型与理论方法3 1 词计算模型高标准的精确表达,普遍存在于数学、化学、工程学和另外一些!硬∀科学之中,而不精确表达却普遍存在于社会、心理、政治、历史、哲学、语言、人类学、文学、文艺及相关的领域中[61].针对复杂且非明晰定义的现象,无法用精确的数学方法来描述,但可以用一些程度词语,如不很可能、十分不可能、极不可能等,来对某些模糊概念进行修饰.尽管普通的精确方法(如数学)在某些科学领域应用相当广泛,也一直尝试着应用到人文学科中,但人们在长期的实践中已经清楚地认识到精确的方法应用到人文学科有很大的局限性.面对巨大而又复杂的人文学科系统,区别于传统方法的新方法∃∃∃模糊计算方法被Zadeh提出.在人类的认识中,粒的模糊性直接源于无区别、相似性、接近性以及功能性等这些概念的模糊性.人类具有在不精确性、部分知识、部分确定以及部分真实的环境下作出合理决策这一不同寻常的能力,而模糊信息粒化正是这种能力的基础.在模糊逻辑中,模糊信息粒化是语言变量、模糊!if then∀规则以及模糊图的基础.词计算(com puting w ith w o rds)是用词语代替数进行计算及推理的方法[62].如何利用语言进行推理判断,这就要进行词计算.信息粒化为词计算提供了前提条件,词计算在信息粒度、语言变量和约束概念上产生了自己的理论与方法,意在解决模糊集合论的数值化隶属度函数表示法的局限性、表达的概念缺乏前后联系、逻辑表达和算子实现的复杂性等问题,使它们能够更符合人类的思维特点.词计算有狭义和广义2个方面的概念.狭义的模糊词计算理论是指利用通常意义下的数学概念和运算(如加、减、乘、除等)构造的带有语义的模糊数值型的词计算的理论体系;广义的词计算理论统指用词进行推理、用词构建原型系统和用词编程,前者是后者的基#11#第6期 王国胤,等:粒计算研究综述础[63].模糊逻辑在词计算中起中心作用,它可以近似地被认为与词计算相同[62].在词计算中存在2个核心问题:模糊约束的表现问题和模糊约束的繁殖问题,它们是模糊信息粒化的基本准则.信息粒化(infor mation granulation)是粒化的一种形式.在众多的信息粒化中,非模糊粒化的方法很多,如将问题求解空间形成划分空间,每个粒子都是精确的.但这种粒化方法不能解决很多现实问题,如将人的头部粒化为脸、鼻子、额头、耳朵、头盖、脖子等粒子,这些粒子之间没有明确的分界线,它们都是模糊的粒子.模糊信息粒化是传统信息粒化的一种推广.模糊信息粒化理论[64-65](theor y of fuzzy information g ranulation,TFIG)建立在模糊逻辑和信息粒化方法基础之上,是从人类利用模糊信息粒化方式中获得的启发,其方法的实质是数学.Zadeh指出[64],除模糊逻辑外,没有一种方法能提供概念框架及相关技术,它能在模糊信息粒化起主导作用.继Zadeh之后,许多学者开始了有关词计算的研究工作,Wang[66]编写了词计算一书.广义词计算理论的研究工作,中国刚刚起步,李征等人[67-68]通过研究模糊控制器的结构,认为模糊控制实际上是应用了信息粒化和词计算技术,但却只是应用了该技术的初级形式,而基于信息粒化和词计算(IGCW)的模糊控制系统,将具有更强的信息处理和推理判断能力,是对人类智能更高程度的模拟.他们指出,基于信息粒化和词计算的模糊控制系统是通过信息粒化和重组、多层次的思维决策,动态地改变下层控制器的参数和推理方法或控制规则,因而使控制器具有变结构和多模态的特性.信息太多会延误推理计算的时间,给系统带来不必要的处理任务;而信息太少,则会降低推理结果的完善性.因此,提出了合理重新组织信息的研究课题.随着近年来智能信息处理的不断深入与普及,特别是处理复杂系统分析与评估时的迫切需要,人们越来越发现排除自然语言的代价太大了.首先,从应用角度来看,人类已习惯于用自然语言描述和分析事物,特别是涉及社会、政治、经济和管理中的复杂过程.人类可以方便地利用以自然语言表示的前提进行推理和计算,并得到用自然语言表达的结果;其次,从理论角度来看,不利用自然语言,现有的理论很难甚至不能够处理感性信息,而只能处理测度信息.感性信息或知识通常只能用自然语言来描述,由于人类分辨细节和存储信息的认知能力的内在限制,感性信息在本质上是不精确的[69-72].W ang利用自然语言知识和信息,建立以词计算为基础的语言动力学系统(linguistic dynamic system s,LDS),并通过融合几个不同领域的概念和方法[37],提出基于词计算的语言动力学系统的计算理论框架,根据这个计算理论框架,利用常规或传统数值动力学系统中已有的成熟概念和方法,对语言动力学系统进行动力学分析、设计、控制和性能评估.这些研究的目的是建立连接人类的语言知识表示与计算机的数字知识表示的桥梁,成为下一代智能化人机交互的理论基础之一.总之,词计算理论和方法对于复杂信息系统的模糊推理和控制非常重要,但由于自身的局限性,它必须和其他理论体系相结合,才能更有效地处理复杂信息.3 2 粗糙集模型一个对象属于某个集合的程度随着属性粒度的不同而不同,为了更好地刻画集合边界的模糊性,波兰学者Paw lak[73]在20世纪80年代提出了粗糙集理论,其本质思想是利用不可分辨关系(等价关系)来建立论域的一个划分,得到不区分的等价类(即不同属性粒度下的概念粒),从而建立一个近似空间(由不同大小的概念粒形成).在近似空间上,用2个精确的集合(上近似集和下近似集)来逼近一个边界模糊的集合.如果近似空间的粒度较粗,被近似的集合的边界域较宽,而如果近似空间的粒度较细,被近似集合的边界域较窄.给定集合X上的一个划分等价于在X上给定一个等价关系R.X/R表示U上由R导出的所有等价类,[x]R表示包含元素x的等价类,其中x%U. Paw lak称之为在论域上给定了一个知识基(X,R),然后讨论一个一般的概念X(U中的一个子集)如何用知识基中的知识来表示.对那些无法用(X,R)中的集合的并来表示的集合,借用拓扑中的内核和闭包的概念,引入下近似和上近似的概念:R-(X)= {x%U|[x]R X}和R-(X)={x%U|[x]R&X∋ }.当R-(X)∋R-(X)时,就称X为粗糙集,从而创立了!粗糙集理论∀.粗糙集理论是一种软计算方法.软计算(soft computing)概念是由模糊集创始人Zadea提出的[61-65].传统的计算方法即所谓硬计算,使用精确、固定和不变的算法来表达和解决问题;而软计算的指导原则是利用所允许的不精确、不确定性和部分真实性得到易于处理、鲁棒性强和成本较低的解决方案,以便更好地与现实系统相协调.粗糙集理论的研究,已经经历了20多年的时间,无论是在系统理论、计算模型的建立和应用系统的研制开发上,都已经取得了很多成果,也建立了一套较为完善的粗糙集理论体系[74-75].目前粗糙集理#12#智 能 系 统 学 报 第2卷。

浅谈粒度计算

浅谈粒度计算

浅谈粒度计算摘要:粒度计算是新近兴起的人工智能研究领域的一个方向,本文简单介绍粒度计算的主要三个方法,以及之间的关系。

关键词:粒度计算、模糊逻辑、商空间理论、粗糙集理论。

一.引言人们在思考问题时,或者是先从总体进行观察,然后再逐步深入地研究各个部分的情况;或先从各个方面对同一问题进行不同侧面的了解,然后对它们进行综合;或是上面两种方法的组合,即时而从各侧面对事物进行了解,然后进行综合观察,时而综合观察后,对不甚了解的部分再进行观察……总之,根据需要从不同侧面、不同角度反复对事物进行了解、分析、综合、推理.最后得出事物本质的性质和结论.人工智能研究者对人类这种能力进行了深入地研究,并建立了各种形式化的模型.本文要介绍的粒度计算,就是对上述问题的研究的一个方面.人工智能最主要的目的是,为人类的某些智能行为建立适当的形式化模型,以便利用计算机能再显人的智能的部分功能。

什么是人类的最主要的智能,或者说智能的最重要表现形式是什么。

各家有不同的看法,如Simon等认为人的智能表现为,对问题求解目标的搜索(Search)能力。

比如学生在证明一道平面几何题目时,进行思考,“聪明的小孩”能很快地找到证明该结论的有关的定理性质,并很快地应用上去,从而就得到证明。

“数学能力差的学?笨赡芏?椅餮埃?也坏胶鲜实亩ɡ砗托灾剩?评慈迫ィ?艿貌坏街っ鞯囊?欤籔awlak[P1]则认为人的智能表现为对事物(事件、行为、感知等)的分类(Classification)能力。

如平时我们说某医生本事大,就是这位医生能从病人的症状中,正确地诊断出病人是患什么病(分类能力!分出患什么病来)等等。

我们认为“人类智能的公认特点,就是人们能从极不相同的粒度(Granularity)上观察和分析同一问题。

人们不仅能在不同粒度的世界上进行问题求解,而且能够很快地从一个粒度世界跳到另一个粒度的世界,往返自如,毫无困难。

这种处理不同世界的能力,正是人类问题求解的强有力的表现”[ZH1]。

CH1-9 L型模糊集与高型模糊集

CH1-9 L型模糊集与高型模糊集

机动 目录 上页 下页 返回 结束
2. 区间值模糊集 如前所述, 许多情况下很难用一个确切的数值 来表达一个对象隶属于一个模糊概念的程度。 经验告诉我们, 用一个数值范围来描述某点对 一个模糊概念的相关程度会相对容易一些, 这 就产生了区间值模糊集。

设I [0,1] {a [a , a ] | 0 a a 1}. 在I [0,1]上定义: a, b I [0,1], a b [a b , a b ], a b [a b , a b ], a [1 a ,1 a ]
X {x1 , x2 , x3} 相当年轻 中等年轻 有点年轻 年轻 x1 x2 x3 0.8 0.8 1 0.6 1 0.6 相当年轻 , 中等年轻 . 0.8 0.9 1 0.4 0.5 0.6
机动 目录 上页 下页 返回 结束
为了表达隶属函数可取[0, 1]上的模糊集的情况, Zadeh在1975年的如下论文中引入二型、高型 模糊集的概念: L. A. Zadeh, The concept of a linguistic variable and its application to approximate reasoning I, Information Sciences, 8(1975), 3: 199-251. 定义 一个模糊集合是n型的, n=2,3,…, 若它的 隶属函数的值取于n1型模糊集合上, 一型模糊 集合的隶属函数的值取于区间[0, 1]上。 引入二型、高型模糊集的另一个原因是表达语 言真值, 如真、十分真、很真、有点真等。

机动
目录
上页
பைடு நூலகம்
下页
返回
结束

模糊数学-模糊集的基本运算

模糊数学-模糊集的基本运算

2.3 模糊集的运算性质
• 2. 模糊集合的运算性质 • 模糊集合关于并、交、补运算具有以下性质: • 定理2.3.2 设X为论域, A, B, C为X上的模糊集合, 则 (1) 幂等律: A∪A=A, A∩A=A; • (2) 交换律: A∪B=B∪A, A∩B=B∩A; • (3) 结合律: (A∪B)∪C=A∪(B∪C), • (A∩B)∩C=A∩(B∩C); • (4) 吸收律: A∪(A∩B)=A, A∩(A∪B)=A; • (5) 分配律: A∩(B∪C)= (A∩B)∪(A∩C), • A∪(B∩C)=(A∪B)∩(A∪C);
2.1 模糊集的表示方法
• • • • 2. 向量表示法 当论域X={x1, x2, …, xn}时, X上的模糊集A可表 示为向量A=(A(x1), A(x2), …,A(xn)). 前述的模糊集“帅哥”A可记为: A=(0.55, 0.78, 0.91, 0.56).

• • •
这种向量的第个分量都在0与1之间A(xi)[0,1], 称之为模糊向量。 3. Zadeh表示法 当论域X为有限集{x1, x2, …, xn}时, X上的一个 模糊集合可表示为 A=A(x1)/x1+A(x2)/x2+ …+A(xn)/xn.
2.4 L型模糊集
第二讲 模糊集的 基本运算
2.1 模糊集的表示方法
• 如前所述, 模糊集合本质上是论域X到[0, 1]的函 数, 因此用隶属函数来表示模糊集合是最基本 的方法。除此以外, 还有以下的表示方法: • 1. 序偶表示法 • A={(x, A(x)|xX}. • 例如: 用集合X={x1, x2, x3, x4}表示某学生宿舍中 的四位男同学, “帅哥”是一个模糊的概念。经 某种方法对这四位学生属于帅哥的程度 (“帅 度”)做的评价依次为: 0.55, 0.78, 0.91, 0.56, 则 以此评价构成的模糊集合A记为: • A={(x1, 0.55), (x2, 0.78), (x3, 0.91), (x4, 0.56)}.

常见分布的矩母函数

常见分布的矩母函数

常见分布的矩母函数为了更好地理解概率统计学中的常见分布,我们需要先了解矩和矩母函数的概念。

在统计学中,矩是数据分布的一个特征,它能够描述数据的中心位置和离散程度。

矩母函数是矩的生成函数,它能够表示矩的所有信息。

在本文中,我们将介绍四种常见分布的矩母函数:正态分布、泊松分布、指数分布和伽马分布。

正态分布是一种常见的连续型分布,也被称为高斯分布。

在统计学中,许多随机现象都可以用正态分布来描述,因为它服从中心极限定理。

正态分布的概率密度函数是:$$f(x)={1\over \sqrt{2\pi}\sigma}\exp \{-{1\over2}[(x-\mu )/\sigma]^{2}\},\quad-\infty <x<+\infty$$$\mu$ 是分布的均值,$\sigma$ 是方差。

正态分布的矩母函数是:我们可以通过对矩母函数求导数来得到分布的各个矩,例如:$$\mu_{1}=M'(0)=\mu$$$$\mu_{4}=M^{(4)}(0)=\mu^{4}+6\mu^{2}\sigma^{2}+3\sigma^{4}$$泊松分布是一种常见的离散型分布,它经常用于描述单位时间内事件发生的次数,比如电话呼叫、到达顾客、任务处理等等。

$$P(X=k)={e^{-\lambda}\lambda^{k}\over k!},\quad k=0,1,2,\ldots$$$\lambda$ 是单位时间内事件发生的平均次数。

泊松分布的矩母函数是:指数分布是一种常见的连续型分布,用于描述随机事件发生的等待时间。

对于一个服从指数分布的随机变量 $X$,它的概率密度函数是:$\alpha$ 和 $\beta$ 是分布的参数,$\Gamma(\cdot)$ 是欧拉伽马函数,它是阶乘函数的推广。

伽马分布的矩母函数是:$$\mu_{4}=M^{(4)}(0)={\alpha(\alpha+1)(\alpha+2)(\alpha+3)\over\beta^{4}}$$总结除了常见的四种分布,还有许多其他的分布也可以通过矩母函数来描述。

【国家自然科学基金】_运算性质_基金支持热词逐年推荐_【万方软件创新助手】_20140803

【国家自然科学基金】_运算性质_基金支持热词逐年推荐_【万方软件创新助手】_20140803
致空间 1 54 粗糙拟理想 系统运动学 1 55 粗糙左(右,双侧)理想 系统动力学 1 56 粗糙双理想 算法 1 57 算法 等效介质理论 1 58 等式 空间后方交会 1 59 等价关系 空时块码 1 60 等价 积分脉冲变换矩阵 1 61 空标识可再生 矩阵的kronecker积 1 62 积分真度 矩阵方程 1 63 秘密共享 知识的证明 1 64 确定有限自动机 相关系数 1 65 相似关系 相似性 1 66 直觉模糊集合 相似分解 1 67 直觉模糊奇异集合 直觉模糊关系 1 68 直觉模糊s-粗集 电源网络分析 1 69 直积 点源目标检测 1 70 直接反演 满意度 1 71 直升机旋翼 深沟槽结构 1 72 目标参数估计 流分解 1 73 电测深 泛蕴涵运算模型 1 74 甲苯-n 泛与运算模型 1 75 环zn上圆锥曲线 正定矩阵 1 76 特征向量法 正交频分复用 1 77 灵敏度分析 正交模格 1 78 灰色语言判断矩阵 模糊复集 1 79 激光脉冲放大器 模糊复数值映射 1 80 混凝土模型试验 模型集 1 81 求逆 机械设计 1 82 横向电阻 有界闭模糊复数 1 83 模糊蕴涵 时间/空间/谱段的多维信息融合自适应滤波算法(asts 1 84 filter) 模糊有穷自动机 无证书强代理签名 1 85 模糊方程组 无证书公钥密码系统 1 86 模糊播挪空间 无线通信 1 87 模糊播挪基 旋转矩阵 1 88 模糊基数 方波脉冲变换 1 89 模糊信息 方波脉冲函数变换 1 90 模式识别 断层带状剖分 1 91 标准偏摩尔体积 斜自共轭矩阵 1 92 极限超额偏摩尔体积 斜投影算子 1 93 极限偏摩尔体积 数据挖掘 1 94 权值直接确定 数字水印 1 95 有限多重集幂集 改进 1 96 最优联盟结构 支持数 1 97 时态逻辑算子 摄动法 1 98 无证书公钥密码 拟可换 1 99 无序 拟半张量积 1 100 方案优选 拓扑结构 1 101 整数拆分图(isg) 拓扑空间 1 102 数据包络分析 拓扑 1 103 数字签名 扩散模型 1 104 支持向量机 性质及判定准则 1 105 排中律 微分算子 1 106 拟线性模糊数

模糊集与粗糙集的简单入门

模糊集与粗糙集的简单入门

模糊集与粗糙集的简单入门1.前言Zadeh在1965年创立了模糊集理论[1],Pawlak在1982年又给出了粗糙集的概念[2],模糊集理论和粗糙集理论都是研究信息系统中只是不完全,不确定问题的两种方法,是经典集合论的推广,它们各自具有优点和特点,并且分别在许多领域都有成功的应用,如模式识别、机器学习、决策分析、决策支持、知识获取、知识发现等.模糊理论是简历集合的子集边缘的病态定义模型,隶属函数多数是凭经验给出的,带有明显的主观性;粗糙集理论基于集合中对象间的不可分辨行的思想,作为一种刻画不完整想和不确定性的数学工具,它无需任何先验信息,能邮箱分析处理不精确、不完整等不完备信息,对不确定集合的分析方法是客观的.两种理论之间有着密切的关系和很强的互补性,同事粗糙集理论和模糊集理论可以进行结合,产生粗糙模糊集理论和模糊粗糙集理论,并且发挥着不同的优势.本文在已有的模糊集理论和粗糙集理论的基础之上,分析和总结了模糊集和粗糙集理论,对二者进行了全面的比较.2.基本概念这部分将集中介绍模糊集和粗糙集的基本概念及其性质.2.1模糊集模糊理论[3][4]是一种用以数学模型来描述语意式的模糊信息的方法.模糊概念也是没有明确外延的概念.根据普通集合论的要求,一个对象对应于一个集合,要么属于,要么不属于,二者必居其一;而模糊集则通常用隶属函数表示模糊概念.2.1.1模糊集合的基本定义定义 1 设X是有限非空集合,称为论域,X上的模糊集A用隶属函数表示如下:→→A X x A x:[0,1],()其中()A x表示元素x隶属于模糊集合A的程度,记X上的模糊集合全体为F X.()模糊集合的数学表示方式为A x A x X where A x=∈∈{(,(x))|},()[0,1]2.1.2模糊集合的运算设,A B为X上的两个模糊集,它们的并集,交集和余集都是模糊集,且其隶属函数分别定义为=∀∈A B A x B x x Xmax{(),()}A B A x B x x X=∀∈min{(),()}⌝=-A A12.1.3 模糊集合的关系A xB x作为模糊集合之间关系的表示方式,是以集合所存在的隶属函数(),()集合之间的关系表示的.(1)模糊集合之间的相等:=⇔=∀∈A B A x B x x X()()(2)模糊集合之间的包含:⊂⇔≤∀∈()()A B A x B x x X2.1.4 截集与支集定义2 对于()A F X ∈和任意[0,1]λ∈,定义{}()A x A x λλ=≥{}()s A x A x λλ=>分别为A 的λ截集和A 的λ强截集.特别的,当1λ=时,1A 为A 的核;当0λ=时,0s A 为A 的支集.表示为如下:{}1()()1core A A x A x ==={}0()()0s support A A x A x === 则根据上面截集的概念,模糊子集通过λ截集就变成了普通集合.截集就是将模糊集合转化为普通集合的方法,截集的概念是联系模糊集合与普通集合之间的桥梁.2.2 粗糙集2.2.1粗糙集合的基本定义(1)粗糙集合提出的背景由于经典逻辑只有真假二值之分,而在现实生活中存在许多含糊的现象,并不能简单的用真假值来表示.于是,在1904年,谓词逻辑的创始人G.frege 提出了含糊(vague)一词,他把含糊现象归结到边界线上.1965年,L.A. Zadeh 提出Fuzzy Sets 的概念,试图通过这一理论解决G.frege 的含糊概念.Zadeh 的FS 方法是利用隶属函数描述边界上的不确定对象.1982年,波兰华沙理工大学 Z.Pawlak 教授针对G. frege 的边界线区域思想提出了Rough Sets 理论.Pawlak 的RS 方法:把无法确认的个体都归属于边界区域,把边界区域定义为上近似集和下近似集的差集.(2)粗糙集合的定义粗糙集理论特点是不需要预先给定默写特征或属性的数量描述,直接从给定的问题的描述集合出发,通过不可分辨关系和不可分辨类确定给定问题的近似域,找出问题内在规律.定义 2 设(,,,)K X A V f =是一个知识库,其中X 是一个非空集合,称为论域.A C D =是属性的非空有限集合,C 为D 的决策属性,C D =Φ,a V 是属性a A ∈的值域,:f X A V ⨯→是一个信息函数,它为每个对象赋予一个信息值.定义 3 设X 是一个有限的非空论域,R 为X 上的等价关系,等价关系R 把集合X 划分为多个互不相交的子集,每个子集称为一个等价类,用[]R x 来表示,[]{}R x y X xRy =∈,其中x X ∈,称,x y 为关于R 的等价关系或者不可分辨关系.论域X 上的所有等价类的集合用/X R 来表示.2.2.2 上、下近似集,粗糙度(1)上下近似集的定义定义4 对于任意的Y X ⊆,Y 的R 上、下近似集分别定义为(){/|}R Y Z X R Z Y =∈≠Φ(){/|}R Y Z X R Z Y =∈⊆集合()posR Y 称为集合Y 的正域,()()posR Y R Y =;集合()()negR Y X R X =-称为集合Y 的负域;集合()()()bnR Y R Y R Y =-称为Y 的R 边界域.集合的不确定性是由于边界域的存在,集合的边界域越大,精确性越低,粗糙度越大. 当()()R Y R Y =时,称Y 为R 的精确集;当()()R Y R Y ≠时,称Y 为R 的粗糙集,粗糙集可以近似使用精确集的两个上下近似集来描述.(2) 粗糙度粗糙度是表示知识的不完全程度,由等价关系R 定义的集合X 的粗糙度为:()1R RX X RX ρ=-其中X ≠Φ,X 表示集合X 的基数.3 研究对象、应用领域及研究方法3.1模糊集的研究对象、应用领域及研究方法(1) 模糊集的研究对象模糊集研究不确定性问题,主要着眼于知识的模糊性,强调的是集合边界的不分明性.(2) 模糊集的应用领域模糊集理论[5]广泛应用与现代社会与生活中,主要有以下几个方面:消费电子产品、工业控制器、语音辨识、影像处理、机器人、决策分析、数据探勘、数学规划以及软件工程等等.(3)研究方法模糊集理论的计算方法是知识的表达和简化.从知识的“粒度”的描述上来看,模糊集是通过计算对象关于集合的隶属程度来近似描述不确定性;从集合的关系来看,模糊集强调的是集合边界上的病态定义,也即集合边界的不分明性;从研究的对象来看,模糊集研究属于同一类的不同对象间的隶属关系,强调隶属程度;从隶属函数来看,模糊集的隶属函数反映了概念的模糊性,而且模糊集的隶属函数大多是专家凭经验给出的,带有强烈的主观意志.3.2粗糙集的研究对象、应用领域及研究方法(1)粗糙集的研究对象[6]粗糙集理论研究不确定性问题,基于集合中对象间的不可分辨性思想,建立集合的子集边缘的病态定义模型.(2)粗糙集的应用领域粗糙集理论在近些年得到飞速发展,在数据挖掘,模式识别,粗糙逻辑方面取得较大进展.与粗糙集理论相关的学科主要有以下几方面:人工智能,离散数学,概率论,模糊集理论,神经网络,计算机控制,专家系统等等[7].(3)粗糙集的研究方法粗糙集理论的研究方法就是对知识的含糊度的一个刻画,其计算方法主要是连续特征函数的产生.粗糙集理论研究认知能力产生的集合对象之间的不可分辨性,通过引入一对上下近似集合,用它们的差集来描述不确定的对象.从集合的关系来看,粗糙集强调的是对象间的不可分辨性,与集合上的等价关系相联系;从研究的对象来看,粗糙集研究的是不同类对象组成的集合关系,强调分类;从隶属函数来看,粗糙集的粗糙隶属函数的计算是从被分析的数据中直接获得,是客观的[8].4.基本研究内容4.1 模糊集理论研究的主要内容模糊集理论研究的内容很广泛,主要包括以下几方面:模糊控制,模糊聚类分析,模糊模式识别,模糊综合评判,模糊集的扩展.4.1.1 模糊控制 自从Zadeh 发展出模糊集理论之后,对于不明确系统的控制有极大的贡献,自七十年代以后,便有一些实用的模糊控制器相继的完成,使得我们在控制领域中又向前迈进了一大步,在此将对模糊控制理论做一番浅介[6].模糊控制利用模糊集理论的基本思想和理论的控制方法.在传统的控制领域里,控制系统动态模式的精确与否是影响控制优劣的最主要关键,系统动态的信息越详细,则越能达到精确控制的目的.然而,对于复杂的系统,由于变量太多,往往难以正确的描述系统的动态,于是工程师便利用各种方法来简化系统动态,以达成控制的目的,但却不尽理想.换言之,传统的控制理论对于明确系统有强而有力的控制能力,但对于过于复杂或难以精确描述的系统,则显得无能为力了.所以,模糊集理论便被用来处理这些控制问题.4.1.2模糊聚类分析模糊聚类分析的研究是基于模糊等价关系和以及模糊分类上的[4].主要有以下的定理以及定义.定理1 令R 是一个模糊等价关系,并且01αβ≤<≤,则对y X ∀∈有[][]R R y y βα⊆.定义 5 设数据集12{,,,}n X x x x =,且12,,,c A A A 是其一个分类,若该分类满足以下条件:(1) 对k ∀,存在i 使得k i x A ∈;(2) 对所以i 均有i A ≠Φ;则称该分类是X 的一个模糊划分.基于上面的理论,我们可以用一个划分矩阵()ik c n D d ⨯=来刻画数据集的分类,其中0 , 1 , k i ik k i x A d x A ∉⎧=⎨∈⎩ 定义6 对于上面的矩阵D ,若其满足以下三个条件:(1){}0,1ik d ∈;(2)11, c ik i d k ==∀∑;(3)10, n ik k d i =>∀∑;则称D 是X 上的一个精确的c -划分矩阵.定义7 设c 和n 时两个给定的正整数若模糊矩阵()ik c n D d ⨯=满足以下三个条件:(1) []0,1ik d ∈;(2) 11, c ik i d k ==∀∑;(3) 10, n ik k d n i =<<∀∑;则称D 为X 上的一个模糊的c -划分矩阵.定义8 设12{,,,}m n X x x x =⊆,12{,,,}m c V v v v =⊆,()ik c n D d ⨯=()c n ≤是X 上的一个模糊的c -划分矩阵,则 ()211(,)c n p ik i k i k J D V d v x ===-∑∑(p ∈)称为模糊划分上的一个聚类准则函数,这里()12()21[]m i i x x===∑ 定义9 如果对于任意的12{,,,}mn X x x x =⊆,存在****12{,,,}m c V v v v =⊆以及模糊的c -划分矩阵*D 使得 **(,)(,)J D V J D V ≤对所有的12{,,,}m n X x x x =⊆以及模糊的c -划分矩阵D 都成立,则称*D 为最优模糊c -划分矩阵,*V 为一个模糊聚类中心.4.1.3模糊模式识别模糊模式识别是利用模糊集理论对行为的识别.根据识别模式的性质,可以将模式识别分为两类:具体事物的识别,如对文字,音乐,语言等周围事物的识别;抽象事物的识别,如对已知的一个论点或者一个问题的理解等.下面介绍一些基本的定理及定义.定义10 清晰度增强因子:令()A F X ∈是X 上的一个模糊集,定义另外一个模糊集(2)()()I A F X ∈,其中 2(2)22() , ()[0,0.5]()()12(1()), ()(0.5,1]A x A x I A x A x A x ⎧∈⎪⎨--∈⎪⎩ 称(2)()()I A x 为清晰度增强因子.4.1.4模糊综合评判模糊综合评判是利用模糊集理论对一个事物进行评价.具体的过程为:将评价目标看成是由多种因素组成的模糊集合X ,再设定这些因素所能选取的评审等级,组成评语的模糊集合(称为评判集V ),分别求出各单一因素对各个评审等级的归属程度(称为模糊矩阵D ),然后根据各个因素在评价目标中的权重分配,通过计算(称为模糊矩阵合成),求出评价的定量解值.定义11 设:[0,1][0,1]n f →满足以下几个条件:(1)1212(,,,)n n x x x x f x x x x ====⇒=; (2)(1)(2)(1)(2)111111(,,,,,,)(,,,,,,)i i i i i n i i i n x x f x x x x x f x x x x x -+-+≤⇒≤,i ∀; (3)12(,,,)n f x x x 对每个变量都是连续的;则称f 为n -维综合函数. 常用的n -维综合函数主要有加权平均函数,几何平均函数,单因素决策函数,显著因素准则函数等等.4.2粗糙集理论研究的主要内容粗糙集理论作为一种数据分析处理理论,无论是在理论方面还是在应用实践方面都取得了很大的进展,展示了它光明的前景,因而其研究内容以及领域也是非常广泛的,主要包括以下几方面:变精度粗糙集,集值信息系统,粗糙集理论的应用,支持向量基等.4.2.1变精度粗糙集变精度粗糙集模型[9]是Pawlak 粗糙集模型的扩充,它是在基本粗糙集模型的基础上引入了β(00.5β≤<),即允许一定的错误分类率存在,这一方面完善了近似空间的概率,另一方面也有利于用粗糙集理论从认为不相关的数据集中发现相关的数据.当然,变精度粗糙集模型的主要任务是解决属性间无函数或不确定关系的数据分类问题.当0β=时,Pawlak 粗糙集模型是变精度粗糙集模型的一个特例.4.2.2集值信息系统集值信息系统[5]是信息系统的一般化模型,在实际应用中信息系统随着对象的变化而不断地动态变化.(,)S X AT =是信息系统,其中X 是对象的非空有限集合,AT 是属性的非空有限集合,对于每个a AT ∈有:a a X V →,其中a V 称为a 的值域.每个属性子集A AT ⊆决定了一个不可区分关系()ind A :(){(,)|,()()}ind A x y X X a A a x a y =∈⨯∀∈=.关系()ind A (A AT ⊆)构成了X 的划分,用/()X ind A 来表示.对于一个对象,一些属性值可能是缺省的.为了表明这种情况,通常给定一个区分值(即空值 null value )给出这些属性定义12 如果至少有一个属性a AT ∈使得a V 含有空值,则称S 是一个不完备信息系统[5],否则称它是完备的,我们用*表示空值.设S 是一个不完备信息系统,a AT ∈使得a V 含有空值*时,并且该空值*的取值为一个集合,该集合的元素是这个属性中其他所有可能值的集合,则S 就是集值信息系统.下面是一个不完备信息系统的例子:4.2.3 支持向量基支持向量机(Support Vector Machine,SVM)[10][11]是Corinna Cortes和Vapnik8等于1995年首先提出的.SVM起初是广泛应用在神经信息处理系统(Neural Information Processing Systems,NIPS), 但是,现今,SVM 已经在所有的机器学习研究领域中起着重要作用.SVM是一种学习系统,他利用高维空间中的线性分类器,在这个空间中建立一个最大的间隔超平面,这里的最大是基于最优化理论的.广义的SVM起源于统计学习理论[12].5.模糊集与粗糙集的结合由上面的讨论可知,模糊集理论与粗糙集理论各具特点,两种理论有着很强的联系与互补性,因此将两者的特点结合起来形成研究不完全数据集的有效方法.此外,通过模糊聚类和粗糙集两种方法进行属性的对象约简和属性约简,可以使数据得到横向和纵向两个方向上的约简,对象约简是引入了相似性的概念进行模糊聚类的过程,对象约简改变了标准粗糙集模型的不可分辨关系的确定条件;由于粗糙集所处理的都是离散数据,所以在数据分析中需要应用模糊聚类或隶属函数离散化,进而应用粗糙集理论属性约简、提取规则.所以结合模糊集、粗糙集理论能够有效地分析数据,提高生成规则的可信性和和合理性,倒出可信的规则集.5.1模糊粗糙集及粗糙模糊集结合模糊集和粗糙集两种理论可以得到模糊粗糙集及粗糙模糊集模型,当知识库中的知识模块是清晰的概念,而被描述的概念是一个模糊的概念,人们建立粗糙模糊集模型来解决此类问题的近似推理;当知识库中的知识模块是模糊知识,而被近似的概念是模糊概念时,则需要建立模糊粗糙集模型,也有人将普通关系推广称模糊关系或者模糊划分而获得模糊粗糙集模型.定义13 设R 是X 上的一个等价关系,()A F X ∈,[0,1]λ∈,模糊集A 、A λ以及s A λ的上下近似分别为:(){|[]},(){|[]}RR R A x X x A R A x X x A λλλλ=∈≠Φ=∈⊆ (){|[]},(){|[]}s s s s R R R A x X x A R A x X x A λλλλ=∈≠Φ=∈⊆(){|[]},(){|[]}RR R A x X x A R A x X x A =∈≠Φ=∈⊆ 可以验证,当A 是X 上的经典集合时,上面所介绍的上下近似就是Pawlak 意义下的上下近似. 定义14 设R 是X 上的等价关系,A 是X 的一个模糊集合,()A F X ∈,则A 关于R 的上下近似分别定义如下:()sup{()|[]},()inf{()|[]}R R R R A x A y y x A x A y y x =∈=∈可以看出,模糊集()A F X ∈关于等价关系R 的上下近似仍为模糊集合,若 R R A A =,则称A 是可定义的,否则称A 是粗糙集,称R A 是A 关于近似空间(,)X R 的正域,称~R A 是A 关于(,)X R 的负域,称(~)R R A A 为A 的边界.R A 可以理解为对象x 肯定属于模糊集A 的隶属程度;R A 理解为对象x 可能属于模糊集A 的隶属程度,同样可以验证,当A 时X 上的经典集合时,就是Pawlak 意义下的上下近似.在标准粗糙集模型中引入变精度,提高了相对近似精度,而在粗糙模糊集引入变精度,得到新定义:()sup{()|[]()1}R R A x A y y x A y ββ=∈∧>-()inf{()|[]()}R R A x A y y x A y ββ=∈∧≥这样下近似集合中元素隶属度降低,而上近似的隶属度提高,提高了相对精度.5.2粗糙隶属函数粗糙隶属函数式借助模糊理论来研究粗糙集理论的方法,通过粗糙隶属度函数可以将粗糙集理论与模糊集理论联系起来,建立一种粗糙集理论与模糊集理论的关系,并得到一些性质.定义15 设R 是论域X 上的一个相似关系,若A 是X 上的一个模糊集合,则A 关于R 的一个下近似()R A 和上近似()R A 分别定义为X 上的一个模糊集合,称为粗糙隶属度函数[5],定义为 |[]|()|[]|R R A x A x x = 粗糙隶属函数表示的是一个模糊概念,一般不是Zadeh 意义下的隶属函数.粗糙隶属函数()A x 表示的是x 的等价类[]R x 隶属于A 的程度.由定义14和定义15可以得到:模糊集A 的下近似且关于等价关系R 的等价类隶属于A 的程度为1;模糊集A 的上近似且关于等价关系R 的等价类隶属于A 的程度为大于0小于1,因此有:性质1 1(){|()1,/}Core A A x A x x X R RA ===∈=0(){|()0,/}s support A A x A x x X R ==>∈(){|0()1,/}bnR A RA RA x A x x X R =-=<<∈(){|()0,/}negR A X RA x A x x X R =-==∈性质2 []()()R y x A x A y ∈⇒=[]()1R x A A x ⊆⇒=[]()0R x A A x =Φ⇒=[] []()(0,1)R Rx A and x A A x ⊄≠Φ⇒∈ 6 总结本文系统的介绍了模糊集理论与粗糙集理论,二者研究的主要内容,以及二者的结合的相关理论.是对本学期所学的模糊计算和粗糙计算的一个简单的小结,也是我本人对该学科的一个简单的入门.参考文献[1] L.A.Zadeh, Fuzzy sets[J], Information and Control, 1965,8:338-353.[2]Pawlak Z, Rough sets[J], International Journal of Computer andInformation science, 1982,1(11):341-356.[3]胡宝清,模糊理论基础,武汉:武汉大学出版社,2010.[4]张文修,模糊数学基础,西安:西安交通大学出版社,1984.[5]张文修,粗糙集理论与方法,北京:科学出版社,2001[6] /view/87377.htm[7]K. Y. Chan, C.K. Kwong, B.Q. Hu, Market segmentation and ideal pointidentification for new product design using fuzzy data compression and fuzzy clustering methods[J], Applied Soft Computing, 2012, 12, 1371-1378.[8]Z.Pawlak, Rough sets and fuzzy sets [J], Fuzzy sets and Systems,1985,17,99-102.[9]Beynon M.Reducts within the variable precision rough sets model: afurther investigation[J], European Journal of Operational Research, 2001,134:592-605.[10]邓乃扬,田英杰,数据挖掘中的新方法:支持向量基,北京:科学出版社,2004.[11]邓乃扬,田英杰,支持向量基-理论、算法与拓展,北京:科学出版社,2009.[12]V.Vapnik, Statistical Learning Theory, John Wiley & Sons, 1998.。

Lukasiewicz型直觉模糊推理三I方法的性质分析

Lukasiewicz型直觉模糊推理三I方法的性质分析

Lukasiewicz型直觉模糊推理三I方法的性质分析李骏;刘岩【摘要】直觉模糊推理的两个基本模型是Intuitionistic Fuzzy Modus Ponens(IFMP)和Intuitionistic Fuzzy Modus Tollens(IFMT).首先利用经典模糊集之间的自然距离定义了直觉模糊集间的一种距离.其次,证明了基于Lukasiewicz 直觉模糊蕴涵的IFMP和IFMT问题的三I方法关于该距离都具有连续性,并且分别给出了IFMP和IFMT问题的三I方法满足逼近性的充分条件.%The two basic reasoning models of intuitionistic fuzzy reasoning are Intuitionistic Fuzzy Modus Ponens(IFMP) and Intuitionistic Fuzzy ModusTollens(IFMT)respectively.A kind of distance between intuitionistic fuzzy sets is intro-duced by the natural distance between classical fuzzy sets in the present paper.It is proven that both the triple I methods for solving IFMP and IFMT problems based on Lukasiewicz intuitionistic fuzzy implication are continuous with respect to this distance.Some sufficient conditions to guarantee the approximation property of the triple I methods for solving IFMP and IFMT are given respectively.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)008【总页数】5页(P44-47,54)【关键词】直觉模糊集;直觉模糊推理;三I方法;连续性;逼近性【作者】李骏;刘岩【作者单位】兰州理工大学理学院,兰州730050;兰州理工大学理学院,兰州730050【正文语种】中文【中图分类】TP181;O1591 引言模糊推理作为模糊控制的核心,在模糊信息的处理过程中起着举足轻重的作用。

直觉区间值模糊推理的CRI算法

直觉区间值模糊推理的CRI算法

直觉区间值模糊推理的CRI算法俞峰;杨成梧【摘要】第一个处理模糊规则的推理模型是L.A.Zadeh的合成推理模型(CRI,Compositional Rule of Inference),并且是最重要的推理机制之一.很多文献研究了CRI法的推广以及满足不同要求的算子的合理选择.文章对直觉区间值模糊推理的CRI算法进行了一般研究,讨论了满足剩余原理的直觉区间值模糊三角模与直觉区间值模糊剩余蕴涵.由于一般形式的直觉区间值模糊推理均可以通过一定的处理方式转化为基本形式的MP(Modus Ponens)或MT(Modus Tollens)问题,所以文章仅就两种最简单的推理形式进行讨论,分别给出直觉区间值模糊环境下的MP和MT问题的CRI问题的一般形式,着重讨论其还原条件,给出还原准则.【期刊名称】《自动化与信息工程》【年(卷),期】2007(028)003【总页数】4页(P5-7,18)【关键词】直觉区间值模糊推理;直觉区间值模糊三角模;直觉区间值模糊剩余蕴涵;CRI;还原性【作者】俞峰;杨成梧【作者单位】南京理工大学动力工程学院;南京理工大学动力工程学院【正文语种】中文【中图分类】TP3Zadeh的模糊集理论是描述模糊现象的理论工具。

Atanassov提出的直觉模糊集[1]是对Zadeh模糊集理论的一种扩充和发展。

直觉模糊集增加了一个新的属性参数:非隶属度函数,能够更加细腻地描述和刻画客观世界的模糊性本质,从而引起众多学者的研究和关注,国内外刊物的相关文献目前已累计达百篇以上,而且还有逐步增加的趋势。

在实际应用中,参数往往不是用一个数值,而是用一个数值的范围即区间值来表示更符合实际。

因此,Atanassov又进一步提出区间值直觉模糊集[2,3](本文称之为“直觉区间值模糊集”)。

定义1 一个直觉区间值即指 a将直觉区间值的全体记为D。

定义2 设a,b∈D,规定序及运算如下:则直觉区间值集合(D,≤)是一个完备格,<[1,1],[0,0]>与<[0,0],[1,1]>分别为最大元与最小元。

智能控制03-模糊关系及模糊推理

智能控制03-模糊关系及模糊推理

D/A
电 磁 燃 气 阀
热 水 器
A/D
温度传感器
3.1 模糊集合基础
模糊关系及模糊推理
3.1.1 集合关系
集合论中关系的概念: 的概念: 反应[不同集合]的元素之间的关联 不同集合]
普通关系 普通关系
用数学方法描述不同普通集合中的元素之间有无关 联
例:东西亚足球对抗赛,分两个小组: 东西亚足球对抗赛,分两个小组: 小组A={中国,日本,韩国} 小组A={中国,日本,韩国} 中国 小组B={伊朗 沙特,阿联酋} 伊朗, 小组B={伊朗,沙特,阿联酋} R:抽签决定的两个小组的对阵关系 抽签决定的两个小组的对阵关系
伊朗
明确的关系
沙特 阿联酋
r(i,j)=1; ; r(i,j)=0
中国
R=
日本 韩国
1 0 0
0 0 1
0 1 0
模糊关系 模糊关系
人和人之间关系的“亲密”与否? 人和人之间关系的“亲密”与否? 儿子和父亲之间长相的“相像”与否? 儿子和父亲之间长相的“相像”与否?
这些关系就无法简单的用“是”或“否”来描述, 而只能描述为在多大程度上 在多大程度上“是”或在多大程度 在多大程度 上“否”。
0.8 0.3 0.3 0.6 R= + + + , ) (子 母 (女 父 (女 母 , ) , ) , ) ~ (子 父
模糊关系的表示 模糊关系的表示
b 1 R= % b2 b3 a1 a2 a3 a4
µR (b , a1) µR (b , a2 ) µR (b , a3) µR (b , a4 ) 1 1 1 1 % % % % R = µR (b2, a1) µR (b2, a2 ) µR (b2, a3) µR (b2, a4 ) % % % % % µR (b3, a1) µR (b3, a2 ) µR (b3, a3) µR (b3, a4 )

数学之歌

数学之歌

数学之歌——献给数学园丁陈湛本(广州大学数学与信息科学学院、系统工程研究所)数学是广大人民劳动和智慧的结晶,是生产实践和科学实验高度抽象的理论,数学研究发展大大丰富和提升了人们的理性知识并激励着对科学理性的不断探索和追求,数学是人类文明文化和思想的瑰宝,数学水平是一个民族的文化修养与智力发展的重要标志;数学是现实世界数量关系与空间形式的反映,数学即是关于量化模式的建构与研究,数学既是直觉经验归纳的,也是逻辑演绎推理的科学,数学是一门高度抽象、逻辑严谨、精确和应用广泛的科学;请看数学:从初等数论、代数方程、不等式到抽象的群、环、域、模、代数、格和范畴等新代数结构的先后发现,数理逻辑的迅猛发展,电子计算机划时代的发明,代数数论、李群、李代数、代数群、群与代数的表示论、同调代数、代数K理论、Hopt代数、非交换(结合)代数和泛代数等各种代数百花竞放;从古代欧氏几何、中世纪射影几何、画法几何、十七世纪的解析几何、近代非欧氏几何、微分几何、积分几何、测度论到现代拓朴流形、点集拓朴、代数拓朴、微分拓朴、代数几何和分形几何的伟大发现;从古典的微积分、十九世纪的实变和复变函数论、常微与偏微分方程、变分学到现代泛函分析、动力系统、函数逼近论、抽象调和分析、大范围分析、多复变函数论、非标准分析、非线性分析、几何分析、随机分析和混沌分析的惊人发展,模糊数学和突变理论的诞生,小波理论及其应用的崛起;数学这块肥沃富饶的土地为人类培育出万千杰出的英才,人们自豪地赞颂着:欧几里德的划时代巨著《几何原本》、中国古代数学家的不朽传世名著《九章算术》、笛卡尔的《解析几何》、伟大科学家牛顿、莱伯尼兹开创的《微积分》、数学英雄欧拉的《变分法》、多产的数学家柯西对奠定《分析学》理论基础的贡献、非欧几何伟大的战士罗巴切夫斯基对两千年来一直悬而未决的平行公设问题的解决导致了几何观念和空间观念最深刻的变革、数学王子高斯的《关于曲面的一般研究》和对奠定近代数论基础的贡献、黎曼的《一般度量的微分几何》、数学天才伽罗华对代数根式可解这一经历三百年的难题的彻底解决和对《群》超越了其时代的崭新深刻的发现、康托的《集合论》、F.克莱茵以变换群把几何学分类著名的《爱尔兰根纲领》、Sophus Lie的《变换群理论》、科学巨人彭加莱对《组合拓朴》、《微分方程定性理论》和《自守函数论》等许多的数理领域开拓性的工作、世界数学领袖希尔伯特的《几何基础》及其影响深远的23个《数学问题》、伟大物理学家爱因斯坦《相对论》划时代的贡献、R.Nevanlinna的《亚纯函数值分布理论》、R.A费希尔对建立《数理统计学》的功绩、哥德尔具里程碑意义的《数理逻辑的不完全定理》、数学巨匠柯尔莫哥洛夫的《概率论基本概念》和对《动力系统理论》等众多数学领域开创性的贡献、哥廷根抽象代数学派的领袖杰出女数学家E.诺特的《环中的理想理论》、H.惠特尼的《微分流形》、H.M.莫尔斯的《大范围变分法》、范德瓦尔登的《近世代数学》、E.嘉当对李群和外微分理论的贡献、H.霍普夫和P.亚历山德罗夫的《拓朴学》、布尔巴基数学结构学派的40卷巨著《数学原理》、盖尔范德的《赋范环论》、总揽全局的大家H.外尔对整体李群和规范场论等学科的贡献、布尔巴基学派的精神领袖A.韦伊的《代数几何基础》、图灵的《计算的理论》、豪斯多夫对开创《点集拓朴学》的贡献、当代几何大师陈省身创立的《高维高斯—博内公式的内蕴证明》和《陈示性类》理论为整体微分几何奠定了基础、康托洛维奇和丹齐格对《数学规划》理论的贡献,乌拉姆的《Monte Carlo计算方法》、才冠群雄的冯·诺尔曼设计的第一台《电子计算机》和对创立《对策论》与《量子力学的数学基础》的贡献、S.艾伦伯格与N.E.斯廷罗德的《代数拓朴学基础》、维纳的《控制论》、仙农的《通信的数学理论》、小平邦彦和希策布鲁赫分别对曲面与高维复流形黎曼—罗赫定理的建立、L.舒瓦兹的《广义函数论》、当代数论大师塞尔贝格关于黎曼 函数零点分布问题的出色成果、伊滕清的《论随机微分方程》、年仅28岁就获菲尔兹奖的塞尔对《同伦论》和《同调代数》的杰出贡献、当代物理大师杨振宁对联结现代物理与数学的《杨—米尔斯理论》和《杨—巴克斯特方程》的神奇深邃的发现、R·托姆的《微分映射的奇点理论》和《突破理论》、华罗庚的《多复变函数典型域上的调和分析》、富传奇色彩的A. Grothendieck关于代数几何的《抽象概型理论》、L.V.霍曼德尔的《线性偏微分算子》、P.J.科恩对《连续统假设、选择公理与ZF集合公理系统彼此独立定理》的重大发现、在数论和组合论等领域作出许多贡献的20世纪最多产的数学家P.Erdos、J.M.米尔诺的《微分拓扑学》、S.Smale和V. Arnold的《抽象微分动力系统理论》、横跨分析、代数、几何与拓朴诸领域的《Atiyah-Siger指标定理》,A.Robinson 的《非标准分析》、L.Zadeh的《模糊集合论》、把非交换调和分析、自守函数和数论等统一在一起的宏深的《Langlands纲领》、P.Deligne对代数几何中心问题—《韦伊猜想》的漂亮证明、奎伦对发展《代数K理论》的重大贡献、哈肯、阿佩尔对《四色猜想》引起世界轰动的计算机证明、J.汤普森和D.高闰斯廷等数百名群论学家对鸿篇庞大的《有限单群分类定理》的完成、B.芒德布罗的《分形几何》、德·布兰吉斯对单叶函数难题《比勃巴赫猜想》的解决、丘成桐对微分积几何中《卡拉比猜想》的证明和对开创《几何分析》研究方向的贡献,令人震撼的E.威滕联系量子场论还使纽结理论和量子群、共形场论和无穷维李代数等许多数学理论形成统一局面的《大统一计划》和A.维尔斯对有350年历史的《费尔马大定理》的攻克,……他(她)们的丰功伟绩在科学史上写下光辉灿烂的一页,为人类文化科学技术做出了不朽的贡献!数学的当代发展呈现新的特点:既高度分化和深入,又高度抽象和统一,数学不同的思想、方法、分支日显相互渗透和融合,数学与其它科学四处结缘,非常规数学将独领风骚,应用数学空前壮大,应用领域不断扩展,数学与计算机结合开辟了数学工程技术和机器证明的新时代;数学符号和语言是理性的音符,数学是静谧、深奥和典雅的音乐,数学各种模式是现实世界数形关系、结构的一幅优美画卷和一颗严整、深邃的雕像,数学抽象思维是人类智慧奥妙的诗篇;数学是科学的纯净、和谐与崇高美的化身——科学的女王,她充满着美的魅力;代数结构与公式的简洁美,几何对象与定理的对称美,泛函分析概念与方法的统一美,突变理论与应用的奇异美,……数学是一个充满奥秘令人神往的无垠海洋,她吸引着许多勇敢向往的探索者,数学是一个芬芳绚丽充满生机的百花园,她等待着有志辛勤的园丁去开拓耕耘和收获,数学是智慧和创造性的艺术,是求真、求善、求美的殿堂;“数学是科学的大门和钥匙”,数学是科学的语言也是“辨证的辅助工具和表现方式”,“数学是锻炼思维的体操”,她能启迪、培养、优化和发展人的思维,数学是认识世界和改造世界的锐利武器,数学是智慧之泉、思想之根,她的研究促进着人类的思想解放,数学发达是国家富强的必要条件;数学可以陶冶情操和提升科学人文的素养,使人勤奋自强、求实探索、创新进取和严整精明,“她唤起心神,澄净智慧;她给我们内心思想增添光辉;她洗尽我们有生以来的蒙昧与无知”,21世纪数学强国的理想在召唤,让我们乘着数学美神的翅膀,坚定地去播种和发展信息时代的数学吧!第二章:第三次数学危机产生的背景第三次数学危机产生于十九世纪末和二十世纪初,当时正是数学空前兴旺发达的时期。

【国家自然科学基金】_态射_基金支持热词逐年推荐_【万方软件创新助手】_20140730

【国家自然科学基金】_态射_基金支持热词逐年推荐_【万方软件创新助手】_20140730
2008年 序号 1 2 3 4 5 6 7 8 9 10 11
科研热词 翻转 法丛 水平共形淹没 推出范畴 小收缩态射 射影流形 加法范畴 主丛. 上积 三角可换定理 p-调和态射
推荐指数 14 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
推荐指数 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60
nef值态射 morita context环 maschke型定理 l-模糊完备格 l-模糊偏序集 l-domain di-domain clean一般环
科研热词 范畴 态射 零对象 逆极限 表示 自同构 终对象 简单拟阵 简单化拟阵 等价关系 理想 正规自同态 正规)范畴 正合列 核 极大内射性 本体对齐 效应代数 推出 拟连续格 拟-frobenius环 拉回 性质i 强映射 强态射 弱表示 弱π -缠绕模 弱hopf π -余代数 平衡(富足 射影簇 子对象选择 始对象 外推 复合 商拟阵 同构 同余 右侧元 反射子范畴 单调态射 半群的双序 半布尔环 半单环 分配环 余积 余挠模 余像 事件结构 乘积 丰富向量丛 w-条件 quantale
科研热词 泛态射范畴 泛态射 效应代数 局部化 射影簇 丰富线丛 遗传挠理论 连续映射 赋值 表示 范畴论 联络 纤维化 纤维丛 纤维 积 直和 正合列 模层 模丛 构件组合操作 极面收缩态射 极限 收缩态射 推出 拉回函子 态射 态 弱表示 左(右)可裂 工作流构件 工作流建模 图表可换 右正合范畴 可表示效应代数 函子范畴 内部算子空间范畴 内部算子 余comma范畴 不可约态射 三角范畴 τ -无挠模 τ -态射 τ -内射模 recollement abelian范畴

【国家自然科学基金】_同胚_基金支持热词逐年推荐_【万方软件创新助手】_20140801

【国家自然科学基金】_同胚_基金支持热词逐年推荐_【万方软件创新助手】_20140801

科研热词 闭2次形式 微分同胚 killing向量场 非线性系统 非线性三点边界条件 非刚性配准 闭轨线 锥 部分双曲 遍历 轨道空间 路径跟踪 路 观测器 纤维积 精确线性化 等时中心 等变同胚 笛卡尔积 稳定自适应自动舵 稳定性 神经网络 滑模 正解 欠驱动船舶 模映射 樊畿定理 查询优化 极限环 极小浸入 有限可积性 最优控制 曲面重建 时标 无穷远点 故障重构 搜索偏广义焦点量 并行处理 平坦环面 平均跟踪性 小覆盖 奇性 奇异 多胞形 外部扰动 周期解
1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
吸引子 同胚 可定向着色 双曲线性同胚 动力方程 分支 优化 交叉数 中心 不动点类 不动点指数 不动点定理 下方图形 上半连续 三次多项式 δ -弱同胚不变性 t网格 t样条 triality变换 spin群 spin7 skyline查询 reidemeister数 os-δ 连通性 orbifold nielsen数 nearly k(a)hler流形 lyapunov直接法 lyapunov 指数 l-拓扑空间 l-好的推广 k_(1,1,2,2) hilbert空间 groupoid clifford代数 bendixson同胚变换 banach空间
科研热词 拟共形映射 同胚 齐次代数曲线 黎曼流形 鞍点 非连续控制 非线性链式级联 非完整约束 随机进程代数 闭集 镇定 遗传算法 递增同胚和正同态 边值问题 超树 超图 诱导向量场 线性超图 笛卡尔积 画法 混沌吸引子 混沌 泊松标量场 正解 欠驱动船舶 欠驱动水面船舶 核心主导人物 极限图 服务质量 晶体群 星图 拟齐次向量场 拟球 拟圆周 拟圆 拓扑等价类 拓扑空间 必要最优性条件 微分同胚 广义梯度 广义方向导数 射线 完备流形 圆偏差曲线 图 双圆性质 参数优化 切向量场 切割 分形自相似 分形 几何性质

论L-smooth紧性

论L-smooth紧性

摘 要在L smooth -拓扑空间(,)X L τ中,对00{0})(r L L L ∀∈-=,{}()X r L r τμτμ=∈≥是X 上的一个LF 拓扑,文中称(,)X r L τ为L smooth -拓扑空间(,)X L τ的r -空间.在LF 拓扑空间中,文献[1]以具有有限交性质的闭集族对良紧空间、强F 紧空间和F 紧空间进行了刻画;文献[2]、[3]、[4]中定义了相对良紧、相对强F 紧以及相对F 紧.以此为基础,本文首先在L smooth -拓扑空间中引入了r -紧、S r +-复盖和有限S r +交性质等概念,研究了L smooth -r -良紧性、L smooth -r -强F 紧性以及L smooth -r -F 紧性.其次,在L smooth -拓扑空间中引入了r -子空间,定义了L smooth -r -相对良紧、L smooth -r -相对强F 紧以及L smooth -r -相对F 紧.再次,将Chang 意义下的诱导空间理论推广到了L smooth -拓扑空间,定义了生成L smooth -拓扑空间.最后,给出了LF 子空间中LF 集的一种新扩张.本文的主要内容如下:1.在L smooth -拓扑空间中引入r -紧,借助文献[1]给出了()S r *+-复盖和有限()S r *+交的概念,定义了L smooth -r -良紧、L smooth -r -强F 紧以及L smooth -r -F 紧,用()S r *+-复盖和有限()S r *+交性质对其进行了刻画,并给出了L smooth -r -F 紧的远域族式刻画.2.在L smooth -拓扑空间中引入了r -子空间的概念,给出了L smooth -r -相对紧的定义,研究了L smooth -r -相对紧空间的性质及其与L smooth -r -紧空间的关系,同时进行了L smooth -r -相对紧空间的等价刻画,系统的研究了L smooth -r -相对紧空间的良好性质,得到一系列好的结果.3.引入L f u z z i f y i n g -拓扑空间及生成L smooth -拓扑空间的概念,研究了L fuzzifying -拓扑空间(,)X τ与其相应的生成L smooth -拓扑空间(,())XL ωτ的关系,介绍了ω算子及它的运算性质,给出了L smooth -诱导空间、L smooth -弱诱导空间、L smooth -满层空间的定义及其之间的联系.4.在LF 子空间中定义了LF 集的新扩张,从余拓扑的角度研究了其与LF 拓扑空间的关系,并给出了这种扩张的具体表现以及Y L 中F 格同构于X L 中某一子格的特殊形式.关键词: L smooth-r--r-紧;L smooth -拓扑空间;L smooth-r-空间;L smooth子空间;L smooth-拓扑空间;LF集新扩张-r-相对紧;生成L smoothABSTRACTIn the L smooth - topological space (,)X L τ,for 00{0})(r L L L ∀∈-=,{r X L τμ=∈}()r τμ≥is a LF topology on X .(,)X r L τis called the L smooth -topological space (,)X L τ,sr -space in this paper. On this basis, the concepts of r -compactness,S r +-cover and thefinite S r +intersection property are introduced firstly; the L smooth -r -N compactness ,theL smooth -r -strong F compact- ness and the L smooth -r -F compactness are investiga-ted. Secondly, the concept of r -subspace is given, then the L smooth -r -relative nice co- mpactness , the L smooth -r -relative strong F compactness and the L smooth -r -F rela- tive compactness are discussed. Thirdly, the Chang ,induced spaces theories are extended to the L smooth -topological spaces, introduced the concept of generated L smooth -topologi- cal st,LF sets’ a new extension is defined in LF subspace.The major contents are listed as follows:1.The concepts of r -compactness,S r +-cover and the finite S r +intersection property are introduced in L smooth -topological space.The L smooth -r -N compactness, the L s --mooth r -strong F compactness and the L smooth -r -F compactness are defined. Then,the characterizations of L smooth -r -compactness are given by the S r +-cover and finiteS r +intersection properties. Last, the properties for L smooth -r -F compactness by themaens of remote neighborhood family are investigated.2. The concepts of r - subspace and the L smooth -r -relative compactness are given in L smooth -topological space.A series of properties of the L smooth -r -relative compac- tness , the relations between the L smooth -r -relative compactness and the L smooth -r - compactness are discussed.Further ,the equivalent descriptions of the L smooth -r -relativ- e compactness are given,and some good properties of the L smooth -r -relative compactn- ess are proved.3.The concepts of L fuzzifying - topological space and generated L smooth -topolo- gical space are given in this part. The connection between (,)X τand its corresponding gen-erated space (,())XL τωare researched.Futherly, the properties of operators ω,the concepts ofinduced L smooth-topological space and -topological space, weakly induced L smoothstratified L smooth-topological space are investigated.4. In this part,LF sets’ a new extension in LF subspace is defined, thus the relations between the extension and the LF space by the co-topology are intorduced, and further ,its representations and the specific case are pointed.Key words:L smooth-topological space;L smooth-r-compact;-r-space;L smooth---r-relative compact; generated L sm L s m o o t h-r-subspace;L smoothooth topological space; the LF sets’ new extension目录前言 ................................................. 错误!未定义书签。

zadeh 定理

zadeh 定理

zadeh 定理Zadeh定理是模糊逻辑的基础定理之一,它是由模糊逻辑的创始人、加州大学伯克利分校的教授Lotfi A. Zadeh于1965年提出。

该定理指出,任何现实世界中的事物都不是非黑即白、非对即错的,而是存在着各种程度上的灰色地带。

因此,在处理这些复杂问题时,传统二值逻辑和布尔代数无法完全描述其复杂性和多样性。

而模糊逻辑则可以更好地处理这些问题。

一、Zadeh定理的提出背景二、Zadeh定理的原理与内容三、Zadeh定理在实际应用中的作用四、Zadeh定理的局限性及发展方向五、结语一、Zadeh定理的提出背景在传统逻辑中,真假只有两种可能性,且相互独立。

但在现实生活中,很多概念并不能简单地被归为真假两类。

例如,“高矮”、“快慢”等概念都存在着模糊性质。

因此,在处理这些问题时需要使用一种更加灵活多变的方法。

为了解决这个问题,Lotfi A. Zadeh在1965年提出了模糊逻辑的概念,并给出了模糊逻辑的基础定理——Zadeh定理。

二、Zadeh定理的原理与内容Zadeh定理是指,在现实世界中,任何事物都不是非黑即白,非对即错的,而是存在着各种程度上的灰色地带。

因此,在处理这些复杂问题时,传统二值逻辑和布尔代数无法完全描述其复杂性和多样性。

而模糊逻辑则可以更好地处理这些问题。

具体来说,Zadeh定理可以通过以下公式来表达:μA(x)∈[0,1]其中,μA(x)表示元素x属于集合A的隶属度函数。

该函数返回一个0到1之间的值,表示元素x与集合A之间的相似程度。

例如,在描述“高”这个概念时,我们可以定义一个集合“高”,其中包含所有身高在1.8米以上的人。

那么对于一个身高为1.75米的人来说,他与集合“高”的隶属度函数就可能返回一个接近0.5左右的值。

三、Zadeh定理在实际应用中的作用由于现实世界中存在着各种程度上的灰色地带,因此Zadeh定理在实际应用中具有广泛的作用。

1. 模糊控制模糊控制是指使用模糊逻辑来设计控制系统,以便更好地适应复杂的现实环境。

可信性理论8个基本概念、6个基础定理、3个模拟算法

可信性理论8个基本概念、6个基础定理、3个模拟算法

可信性理论8个基本概念、6个基础定理、3个模拟算法8个基本概念:可信性测度、模糊变量、隶属函数、期望值、方差、关键值、熵、距离6个基础定理:可信性次可加定理、可信性扩展定理、可信性半连续法则、乘积可信性定理、可信性反演定理、Zadeh扩展原理3个模拟算法:分别用于计算可信性、关键值、期望值可信性测度:核心概念,没有它,就没有可信性理论。

模糊变量:核心概念,没有它,研究谁?隶属函数:与用户的“接口”。

理论上,先有可信性测度;实践上,可先给隶属函数。

(就像概率测度与分布函数的关系)期望值:度量模糊变量大小的量,用于模糊变量比较大小。

方差:度量模糊变量发散程度的量,可表示风险。

关键值:也是度量模糊变量大小的量,可用于模糊变量比较大小。

熵:度量不确定性程度的量,我们说不确定性大小指的就是熵。

距离:顾名思义,指的就是两个模糊变量的远近,可用于模式识别、图像处理等等。

可信性次可加定理:很多证明要用到它。

可信性扩展定理:没有它,你能给个可信性测度的数值例子吗?可信性半连续法则:很多证明要用到它。

乘积可信性定理:没有它,怎么定义模糊变量的运算?可信性反演定理:如果用户给出的是隶属函数,该定理就能给出可信性测度。

Zadeh扩展原理:用于独立模糊变量的运算初学者掌握了这8个概念、6个定理、3个算法,就基本学会了可信性理论。

江湖人称“863”。

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> >>>>>>>>>>>>>>>>世界既不是随机的也不是模糊的,但有时可以应用概率论,有时可以应用可信性理论。

完备格值Zadeh型函数

完备格值Zadeh型函数

完备格值Zadeh 型函数陆志军(陕西师范大学数学系 陕西西安 710062)收稿日期:2000—10—22;修回日期:2001—03—12作者简介:陆志军(1969—),男,江苏南通人,硕士.摘 要:当L 为完备格时,定义了L -值Zadeh 型函数和广义序同态概念.讨论了L -值Zadeh 型函数的性质及其与序同态的关系.关键词:完备格 L-值Zadeh 型函数 广义序同态中图分类号:O189.1 文献标识码:A 文章编号:1008—3871(2001)02—0010—021 引言Zadeh 型函数的概念是由L .A .Zadeh 于1965年引入的,它将分明映射和模糊映射联系起来,从而为利用分明拓扑研究模糊拓扑提供了可能性.本文在更广泛的完备格上定义了L-值Zadeh 型函数及广义序同态概念(它们是已有的L-值Zadeh 型函数及广义序同态概念的推广),并讨论了它们的一些性质及关系.2 基本概念定义2.1 设L 为偏序集,若L 的每一个子集A 都有上确界及下确界,即 A L ,sup A 与inf A 恒存在,则称L 为完备格.定义2.2 设L 1与L 2为完备格,映射f :L 1→L 2称为广义序同态,是指f 满足如下两条:(1)f (a )=0 a =0( a ∈L 1);(2)f 与f -1保并,其中f -1(b )=∨{x ∈L 1|f (x )≤b }( b ∈L 2).定义 2.3 设f :X →Y 为映射,L 为完备格,定义F :L X →L Y ,则称F 是由f 诱导的L-值Zadeh 型函数.这里,F(A)(y )=∨{A(x )|f(x )=y }( A ∈L X , y ∈Y).3 主要结果定理3.1 设F 为L 值Zadeh 型函数,则:(1)F 为序同态;(2)F -1(B)=B ·f( B ∈L Y );(3)F 为一一对应 f 为一一对应.证明 (1) y ∈Y,F(A)(y)=∨{A(x )|f(x )=y }=∨x ∈f -1(y)A(x ),从而 A ∈L X ,F(A)=0 A=0.又F(∨t ∈T A t (y )=∨x ∈f -1(y)((∨t ∈T A t )(x ))=∨t ∈T (∨x ∈f -1(y)A t (x ))=∨t ∈T F(A t )(y ).所以,F(∨t ∈T A t )=∨t ∈T F(A t ),故F 保并.由F -1(B)=∨{A ∈L X |F(A)≤B}( B ∈L Y )可知,F -1保并,所以F 为序同态.2001年6月第11卷 第2期 榆林高等专科学校学报JOU R N AL O F YULIN CO LLEGE June.2001Vol.11No.2(2) x 0∈X ,设F (A )≤B ,令y =f (x 0)得A (x 0)≤∨{A (x )|f (x )=y }=F (A )(y )≤B ·f (x 0)即A ≤B ·f;反之,设A ≤B ·f,则 y 0∈Y,F(A)(y 0)=∨{A(x )|f (x )=y 0}≤∨{B(f (x ))|f(x )=y 0}=B(y 0),即F(A)≤B,这说明F(A)≤B A ≤B ·f.所以F -1(B)=∨{A |F(A)≤B}=∨{A |A ≤B ·f}=B ·f.(3)设f 为单射且A 1≠A 2,则有x ∈X ,使得A 1(x )≠A 2(х).令y =f (x ),则F (A 1)(y )=∨{A 1(x )|f(x )=y}=A 1(x ),F(A 2)(y )=∨{A 2(x )|f(x )=y }=A 2(x ).所以F(A 1)(y)≠F(A 2)(y ),即F (A 1)≠F (A 2),所以F 为单射.反之,设F 为单射a ,b ∈X 且a ≠b ,则a λ≠b λ,由F 单射可知F(a λ)≠F(b λ),又F(a λ)=[f(a )]λ,F(b λ)=[f(b)]λ,[f(a)]λ≠[f(b)]λ,[f(a)]≠f(b),这说明f 是单射,所以f 单 F 单,下证f 满 F 满,设f 满,则对每个y λ∈L Y ,存在x ∈X ,使得f (x )=y,令A=x λ,则F(A)=F(x λ)=[f (x )]λ=y λ,所以f 满 F 满.反之,若F 满,则对每个y λ∈L Y ,存在x λ∈L X ,使得F(x λ)=y λ=[f(x )]λ,即f(x )=y,所以F 满 f 满.综上可知,F 一一对应 f 一一对应.定理3.2 设F :L X →L Y 为保并映射,则F 为L-值Zadeh 型函数的充要条件是:存在映射f:X →Y,使得 B ∈L Y ,F -1(B)=B ·f.证明 由定理3.1(2),只须证充分性.首先由F -1的定义得A ≤F -1F (A );由F 保并得,F [F -1(B)]=F[∨{C |F(C)≤B}]=∨{F(C)|F(C)≤B)}≤B;若y ∈f(X),λ∈L,则可证F -1(y λ)=[λ]∧χf -1(y).令B =y λ,只须证x ∈f -1(y )时F -1(B)(x )=λ,x f -1(y )时F -1(B )=0.按上段,若x ∈f -1(y ),则f (x )=y ,F -1(B )(x )=B ·f (x )=B (y )=λ;x f -1(y )时,f (x )≠y ,F -1(B )(x )=B ·f (x )=0( B ∈L Y ,F -1(B )=B ·f ).其次证,对每个x ∈f -1(y),F(x λ)=y λ=B .由F 保并和F[F -1(B)]≤B 知F(x λ)≤F[F -1(B)]≤B =y λ.令B 1=F(x λ),则x λ≤F -1[F(x λ)]=F -1(B 1)=B 1·f,λ≤B 1·f(x )=B 1(y )=F(x λ)(y ).即F (x λ)=B .由此可证F (A )=∨{A (x )|f (x )=y }.例 令L =[0,1],X ={a ,b },Y ={d },F :L X →L Y 规定为 x ∈X ,F (x λ)=d 0.5λ,F (A )=F (a λ)∨F (b μ),(其中A =a λ∨b μ∈L X 为L X 中任一LF 集)可以证明F 为序同态,但F 不保分子高度,所以F 不是L-值Zadeh 型函数.参考文献:[1]王国俊.L-Fuzzy 拓扑空间论[M ].西安:陕西师大出版社,1988.[2]王国俊.Order-homo mo rphisms o n Fuzzes [J].Fuzzy set and system ,1984,(12):281-288.[3]王国俊.Fuzzy 函数成为Zadeh 型函数的充要条件[J].自然杂志,1984,(7):553.L -valued Zadeh Functions in Complete LatticeLU Zhijun(Shaa nxi No rm al University ,Xi ′a n,Shaa nxi,710062)Abstract :L-v alued Zadeh functions and o rder-homo mo rphisms in the case of L being a com plete lattice a re defined.Their pro perties and rela tionships a re discussed.Keywords :com plete lattice ;L -valued Zadeh function ;g eneralized o rder -homom orphism (责任编辑 尤飞)·11·陆志军:完备格值Zad eh 型函数。

zadeh法

zadeh法

Zadeh法1. 简介Zadeh法(Zadeh’s method)是一种用于模糊逻辑推理的数学方法,由Lotfi A. Zadeh于1965年提出。

该方法用于处理不确定性和模糊性,通过模糊关系和隶属度函数来推导模糊逻辑的结果。

2. 原理Zadeh法基于模糊集合理论,模糊集合理论是一种可以处理无法明确归类的元素的数学工具。

在传统的集合论中,一个元素要么属于某个集合,要么不属于某个集合。

而在模糊集合中,一个元素可以以一定的隶属度属于某个集合,这样就可以描述不确定性或模糊性的情况。

Zadeh法的核心是模糊关系和隶属度函数。

模糊关系是一个二元关系,描述了元素之间的模糊联系。

隶属度函数是一个定义在模糊集合上的函数,用于量化一个元素对于某个模糊集合的隶属程度。

Zadeh法的推理过程一般包括以下几个步骤:1.模糊化(Fuzzification):将输入的精确值转换为模糊值,即将确定性的输入转换为模糊集合。

2.模糊关系建模:根据实际情况,建立模糊关系矩阵。

模糊关系矩阵描述了输入变量和输出变量之间的模糊联系。

3.规则生成:根据专家经验或领域知识,生成一组模糊规则。

模糊规则是一种条件-结论的形式,通过模糊关系来判断输入变量和输出变量之间的关系。

规则的形式一般为:“如果A,则B”。

4.推理机制:根据输入变量在模糊集合上的隶属度和模糊规则,计算输出变量的隶属度。

5.去模糊化(Defuzzification):将模糊结果转换为确定性的输出。

3. 应用Zadeh法在很多领域都有广泛的应用,特别是在模糊控制和模糊推理系统中。

3.1 模糊控制在传统的控制系统中,输入、输出和控制规则一般都是确定性的。

然而,在某些情况下,系统的输入和输出具有模糊性或不确定性,此时传统的控制方法往往无法满足需求。

Zadeh法提供了一种处理这种模糊性和不确定性的有效手段。

模糊控制系统使用模糊规则来描述输入和输出之间的关系,利用Zadeh法的推理机制来计算输出变量的模糊结果。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

完备格值Zadeh 型函数
陆志军
(陕西师范大学数学系 陕西西安 710062)
收稿日期:2000—10—22;修回日期:2001—03—12作者简介:陆志军(1969—),男,江苏南通人,硕士.摘 要:当L 为完备格时,定义了L -值Zadeh 型函数和广义序同态概念.讨论了L -值Zadeh 型函数的性质及其与序同态的关系.
关键词:完备格 L-值Zadeh 型函数 广义序同态
中图分类号:O189.1 文献标识码:A 文章编号:1008—3871(2001)02—0010—02
1 引言
Zadeh 型函数的概念是由L .A .Zadeh 于1965年引入的,它将分明映射和模糊映射联系起来,从而为利用分明拓扑研究模糊拓扑提供了可能性.本文在更广泛的完备格上定义了L-值Zadeh 型函数及广义序同态概念(它们是已有的L-值Zadeh 型函数及广义序同态概念的推广),并讨论了它们的一些性质及关系.
2 基本概念
定义2.1 设L 为偏序集,若L 的每一个子集A 都有上确界及下确界,即 A L ,sup A 与inf A 恒存在,则称L 为完备格.
定义2.2 设L 1与L 2为完备格,映射f :L 1→L 2称为广义序同态,是指f 满足如下两条:
(1)f (a )=0 a =0( a ∈L 1);(2)f 与f -1保并,其中f -1(b )=∨{x ∈L 1|f (x )≤b }( b ∈L 2).
定义 2.3 设f :X →Y 为映射,L 为完备格,定义F :L X →L Y ,则称F 是由f 诱导的L-值Zadeh 型函数.这里,F(A)(y )=∨{A(x )|f(x )=y }( A ∈L X , y ∈Y).
3 主要结果
定理3.1 设F 为L 值Zadeh 型函数,则:
(1)F 为序同态;(2)F -1(B)=B ·f( B ∈L Y );(3)F 为一一对应 f 为一一对应.
证明 (1) y ∈Y,F(A)(y)=∨{A(x )|f(x )=y }=
∨x ∈f -1(y)A(x ),从而 A ∈L X ,F(A)=0 A=0.又F(∨t ∈
T A t (y )=∨x ∈f -1(y)((∨t ∈T A t )(x ))=∨t ∈T (∨x ∈f -1(y)A t (x ))=∨t ∈T F(A t )(y ).所以,F(∨t ∈
T A t )=∨t ∈T F(A t ),故F 保并.由F -1(B)=∨{A ∈L X |F(A)≤B}( B ∈L Y )可知,F -1保并,所以F 为序同态.
2001年6月第11卷 第2期 榆林高等专科学校学报JOU R N AL O F YULIN CO LLEGE June.2001Vol.11No.2
(2) x 0∈X ,设F (A )≤B ,令y =f (x 0)得A (x 0)≤∨{A (x )|f (x )=y }=F (A )(y )≤B ·f (x 0)即A ≤B ·f;反之,设A ≤B ·f,则 y 0∈Y,F(A)(y 0)=∨{A(x )|f (x )=y 0}≤∨{B(f (x ))|f(x )=y 0}=B(y 0),即F(A)≤B,这说明F(A)≤B A ≤B ·f.所以F -1(B)=∨{A |F
(A)≤B}=∨{A |A ≤B ·f}=B ·f.
(3)设f 为单射且A 1≠A 2,则有x ∈X ,使得A 1(x )≠A 2(х).令y =f (x ),则F (A 1)(y )=∨{A 1(x )|f(x )=y}=A 1(x ),F(A 2)(y )=∨{A 2(x )|f(x )=y }=A 2(x ).所以F(A 1)(y)≠F(A 2)(y ),即F (A 1)≠F (A 2),所以F 为单射.反之,设F 为单射a ,b ∈X 且a ≠b ,则a λ≠b λ,由F 单射可知F(a λ)≠F(b λ),又F(a λ)=[f(a )]λ,F(b λ)=[f(b)]λ,[f(a)]λ≠[f(b)]λ,[f(a)]≠f(b),这说明f 是单射,所以f 单 F 单,下证f 满 F 满,设f 满,则对每个y λ∈L Y ,存在x ∈X ,使得f (x )=y,令A=x λ,则F(A)=F(x λ)=[f (x )]λ=y λ,所以f 满 F 满.反之,若F 满,则对每个y λ∈L Y ,存在x λ∈L X ,使得F(x λ)=y λ=[f(x )]λ,即f(x )=y,所以F 满 f 满.综上可知,F 一一对应 f 一一对应.
定理3.2 设F :L X →L Y 为保并映射,则F 为L-值Zadeh 型函数的充要条件是:存在映射f:X →Y,使得 B ∈L Y ,F -1(B)=B ·f.
证明 由定理3.1(2),只须证充分性.首先由F -1的定义得A ≤F -1F (A );由F 保并得,F [F -1(B)]=F[∨{C |F(C)≤B}]=∨{F(C)|F(C)≤B)}≤B;
若y ∈f(X),λ∈L,则可证F -1(y λ)=[λ]∧χf -1(y).令B =y λ,只须证x ∈f -1(y )时F -1(B)
(x )=λ,x f -1(y )时F -1(B )=0.按上段,若x ∈f -1(y ),则f (x )=y ,F -1(B )(x )=B ·f (x )=B (y )=λ;x f -1(y )时,f (x )≠y ,F -1(B )(x )=B ·f (x )=0( B ∈L Y ,F -1(B )=B ·f ).其次证,对每个x ∈f -1(y),F(x λ)=y λ=B .由F 保并和F[F -1(B)]≤B 知F(x λ)≤F[F -1(B)]≤B =y λ.令B 1=F(x λ),则x λ≤F -1[F(x λ)]=F -1(B 1)=B 1·f,λ≤B 1·f(x )=B 1(y )=F(x λ)(y ).即F (x λ)=B .由此可证F (A )=∨{A (x )|f (x )=y }.
例 令L =[0,1],X ={a ,b },Y ={d },F :L X →L Y 规定为 x ∈X ,F (x λ)=d 0.5λ,F (A )=F (a λ)∨F (b μ),(其中A =a λ∨b μ∈L X 为L X 中任一LF 集)可以证明F 为序同态,但F 不保分子高度,所以F 不是L-值Zadeh 型函数.
参考文献:
[1]王国俊.L-Fuzzy 拓扑空间论[M ].西安:陕西师大出版社,1988.
[2]王国俊.Order-homo mo rphisms o n Fuzzes [J].Fuzzy set and system ,1984,(12):281-
288.
[3]王国俊.Fuzzy 函数成为Zadeh 型函数的充要条件[J].自然杂志,1984,(7):553.
L -valued Zadeh Functions in Complete Lattice
LU Zhijun
(Shaa nxi No rm al University ,Xi ′a n,Shaa nxi,710062)
Abstract :L-v alued Zadeh functions and o rder-homo mo rphisms in the case of L being a com plete lattice a re defined.Their pro perties and rela tionships a re discussed.
Keywords :com plete lattice ;L -valued Zadeh function ;g eneralized o rder -homom orphism (责任编辑 尤飞)·
11·陆志军:完备格值Zad eh 型函数。

相关文档
最新文档