20140520模糊模式识别

一类，这一原则称为最大隶属原则。
18
最大隶属原则

例3 设每个网格节点的评估因素集{带宽,稳定性文件
质量,等待时间}，信任等级判断集V={很好,比较好, 不太好,不好}。
很好
带宽 稳定性 文件质量 等待时间 0.6 0.2 0.4 0.1
比较好
0.2 0.3 0.3 0.6
不太好
0.1 0.4 0.2 0.2
称R为模糊自反矩阵。
26
模糊聚类

定理：设R是n阶模糊等价矩阵，则对任意
0≤λ≤μ≤1，R μ所决定的分类中的每一个类是
Rλ所决定的分类中的某个子类。

该定理表明，当λ<μ时， R μ的分类是Rλ分类
的加细，当λ由1变到0时，Rλ的分类由细变粗
，形成一个动态的聚类图。
27
模糊聚类
模糊矩阵间的关系及并、交、余运算 设A=(aij)m×n,B=(bij)m×n都是模糊矩阵，定义 相等：A=Baij=bij； 包含：A≤Baij≤bij； 并：A∪B =(aij∨bij)m×n；交：A∩B =(aij∧bij)m×n； 余：Ac=(1-aij)m×n.
10
确定隶属度函数

隶属度函数图形分布的几种形式： (1)正态型 正态型是最主要也是最常见的一种分布,表示为
xa b
2
A x e
(2)Γ型
,b 0
0 y x v x A x e v
x c x c
13
确定隶属度函数
图3 戒上型分布曲线
图4 戒下型分布曲线
14
确定隶属度函数
隶属度函数的形状对识别
隶属度函数曲线形状较尖的模 糊子集，其分辨率较高，控制 灵敏度也高；相反，隶属度函 数曲线形状较平缓，控制特性 也就比较平缓，稳定性能也较 好。因此，在选择模糊变量的 隶属度函数时，在误差较大的 区域采用低分辨率的模糊集， 在误差较小的区域选用较高分
24
模糊聚类

聚类分析（cluster analysis）将具体或抽象对象
的集合分组成为由类似的对象组成的多个类的过程 被称为聚类。

聚类分析的特点是我们不知道它们的分类，甚 至连分成几类也不知道，希望用某种方法把观测进 行合理的分类，使得同一类的观测比较接近，不同 类的观测相差较多。
25
模糊聚类
择近原则
带宽 稳定性 文件质量 等待时间 传输速度 开销
Ⅰ Ⅱ Ⅲ
Ⅳ Ⅴ
0.3 0.3 0.2
0.4 0.0
0.4 0.2 0.2
0.1 0.1
0.3 0.2 0.2
0.2 0.1
0.3 0.1 0.1
0.1 0.1
0.2 0.2 0.1
0.1 0.1
0.5 0.2 0.2
0.1 0.1
利用公式σ(A,B)= (A○B)∧(A⊙B)C，得σ(A,Ⅰ)=0.5；σ(A,Ⅱ) =0.3； σ(A,Ⅲ) =0.2；σ(A,Ⅳ)=0.4；σ(A,Ⅴ) =0.1。 按择近原则,可以确定A的服务等级为Ⅰ。
不好
0.0 0.5 0.1 0.3
19
最大隶属原则

不同的服务请求者，由于自身
需求的不同，对服务的四个因素所 给予的权重数也不同。设请求者给 出的权重为：

W=(0.3, 0.2, 0.2, 0.3) 计算T=W*R，
0 .6 0 .2 R 0 .4 0 .1
0 .2 0 .3 0 .3 0 .6
4．模糊方法和统计方法的有机结合。
5
背景
在实际应用中，模糊模式识别技术的优势主要体现在： 1．客体信息模型表达合理，信息利用充分；
2．各种算法简单灵巧，分类过程易于理解，透明度高，并
具有识别的鲁棒性； 3．推理能力强，可分析综合概念； 4．可以描述人在识别时的各方面的经验； 5．可以使用在复杂的不确定的环境下，基于少量样本和专 家的经验进行识别。
效果的影响：
辨率的模糊集。
15
模糊识别的方法
实现模糊模式识别的方法主要有 基于最大隶属原则的识别-个体识别 基于择近原则的识别-群体识别
模糊聚类分析
模糊相似选择 模糊综合评价
16
最大隶属原则
待识车辆
车型模糊识别流程图
预处理 特征提取 特征分离 计算隶属度
模式1
模式2
模式3
模式4
模糊判决求 uk=max(u1,u2,…,un) uk≥λ 输出结果 拒识
0 .1 0 .4 0 .2 0 .2
0 .0 0 .5 0 .1 0 .3
T=(0.33,0.36,0.25, 0.39) 。按最大隶
属度原则，结论是实体提供的文件 共享服务“不好”。
20
择近原则

贴近度定义：
设A，B，C∈F(u)，有F(u)上的二元函数：σ：F(u)* F(u) →[0,1]， 满足 1) σ(A,A)=1 2) σ(A,B)= σ(B,A) 3) 若任意u ∈U，恒有μA(u) ≤ μB(u) ≤ μC(u) 或μA(u) ≥μB(u) ≥μC(u) 时 ，就有 σ(A,C) ≤ σ(B,C) ∧σ(A,B) =min{σ(B,C),σ(A,B) } 则称σ是F(u)上的贴近度函数， σ(A,B)为A与B的贴近度。

合成： A=(aij)m×s，B=(bij)s×n ，C=(cij) m×n是模糊矩阵。
A○B=C， cij =∨(aik ∧ bkj)

28
若A为n阶方阵，A的k次幂Ak=Ak-1○A
模糊聚类
设A = (aij)m×n,对任意的∈[0, 1]，称
A= (aij())m×n,为模糊矩阵A的 - 截矩阵, 其中
x 0 x 0
λ>0,v>0
11
确定隶属度函数
图1 正态性分布曲线
图2 Γ型分布曲线
12
确定隶属度函数

(3)戒上型
1 A x 1 a ( x c ) b 1
x c x c

(4)戒下型
0 1 A x b 1 a x c
由此可知，(张三)=1，(李四)=1，(王五)=1。 若采用模糊子集的概念，选取隶属函数
μA(x)=x/100表示属于“学习好”的程度。则(张
三)=0.95，(李四)=0.90，(王五)=0.85。
2
例2
学习成绩论域U=[0,100]，在其上定义三
个模糊集R1=优，R2=良，R3=差，其对应隶属
函数为R1(X)，R2(X)，R3(X)，则当X=88时，
6
确定隶属度函数
给定论域X上的一个模糊子集A，是指由该论域上的一个映射： μ ：X→[0,1]，x→ μA(x) 所表征的集合。对于任意的x∈X，都有一个 实数μA(x)∈[0,1]与之对应，则称μA(x)为x对集合A的隶属度，而映射 μA称为A的隶属函数。
1 A ( x ) ( 0 ,1 ) 0
当λ=1时，分类为{a}，{b}，{c}，{d}，{e} 当λ=0.6时，分类为{a，c}，{b}， {d，e} 当λ=0.4时，分类为{a，b，c，d，e}
31
模糊聚类

例5：设U={a，b，c，d，e}，对于模糊等价矩阵
1 0 1 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 1 1 0 0 0 1 1
R1(X)=0.8，R2(X)=0.7，R3(X)=0。即可判断其 属于R1,即优。 隶属度 X=88 R1=优 0.8 R2=良 0.7 R3=差 0
3
背景
模式识别：
模式识别是一门以应用数学为理论基础，利用计 算机应用技术，解决分类与识别问题的学科。
目前模式识别的主流的技术有：
统计模式识别 句法模式识别
8
确定隶属度函数

隶属函数实质上是特征函数的一般化，而
模糊集是经典集合的一般化。

确定隶属度函数的方法大致有下述几种：

1.主观经验法


2.分析推理法
3.调查统计法
9
确定隶属度函数
1．主观经验法 当论域是离散时，根据主观认识或个人经验，直接或间接给出 元素隶属度的具体值，由此确定隶属函数。 (1)专家经验法 初步确定粗略的隶属函数,然后再通过“学习” 和实践检验逐步修改和完善,而实际效果正是检验和调整隶属函数的依 据。 (2)因素加权综合法 若模糊概念是由若干因素相互作用而成， 而每个因素本身又是模糊的，则可综合考虑各因素的重要程度来选择隶 属函数。
22
择近原则

例4 以网格中的文件共享为例，设现有的共享文件
服务等级有五种:Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ及待识别的服 务模型A，取文件共享服务质量的因素集为论域u，

u={带宽，稳定性，文件质量，等待时间，传输速 度，开销}。

A={0. 4, 0. 2, 0. 1, 0. 4, 0. 5, 0. 6}。
23

定义： 设R = (rij)n×n是 n阶模糊方阵，I是n阶单位方阵，若R满足
（1）自反性：I ≥ R ； （2）对称性：RT=R ；
（3）R2≤R
则称R为模糊相似矩阵。 设R = (rij)n×n，若0≤rij≤1，则称R为模糊矩阵. 当rij只取0或1时，称R
为布尔(Bool)矩阵. 当模糊方阵R = (rij)n×n的对角线上的元素rii都为1时，
当aij≥ 时，aij() =1；
当aij＜ 时，aij() =0. 显然，A的-截矩阵为布尔矩阵。
29
模糊聚类

例5：设U={a，b，c，d，e}，对于模糊等价 矩阵 0 .4 0 .8 0 .5 0 .5 1