Fuzzy set基本介绍(1)
Fuzzy Sets
一、为什么要定义模糊集?
首先来看个例子。例如我们先定义一个“高个子”的集合A,然后去匹配你身边认识的人是否属于集合A。在经典的Crisp Sets(two-valued 二元集)理论中,只定义某一元素隶属于或不隶属于A。假设“高个子”的标准是身高高于1.75m,那么身高1.78m的人是A的成员,而身高1.50m的人不是A的成员。
但是,二元集理论有以下问题:
- 假设一个人身高1.73m,尽管他离1.75m的标准只差了0.02m,却被粗暴地判定为不是“高个子”。
- 在“高个子”集合A里面,也没有任何区分度。身高1.75m与身高2.20m被一视同仁。
- 对于集合A内成员,也没有包含语义(semantic)描述。
相反地,fuzzy set(模糊集)没有以上问题。
在模糊集理论中,所有人都是集合A的成员(member),只是匹配度不同。例如身高2.20m的人的成员匹配度可为0.95,而身高1.7m的人成员匹配度为0.40。
模糊集是二元集的一个扩展,并使为自然语言中的不确定度(uncertainty)建模成为了可能。自然语言中的模糊性更多地用语义上的词语去描述,比如“今天乌云很多,很有可能下雨”,就使用了“很多”,“很有可能”这两个语义词汇——人的大脑是能理解这种描述的。而模糊集,和配套的模糊逻辑系统,为计算机系统理解并推理这种语义含糊的描述提供了工具。
二、模糊集,隶属函数(membership function)的定义
与传统集合不同,模糊集中的每个元素都有对应的隶属度(membership degree)。隶属度是指一个元素属于这个集合的确定度(或不确定度)。所以,模糊集被隶属度映射函数所描述。严格定义如下:
- Fuzzy sets: a fuzzy subset A of X is associated with a characteristic function
- The characteristic function is called membership function(隶属函数).x ∈ X
特别地,对于二元集,隶属函数μA的取值只有0或1。
三、隶属函数(membership function)的常用形式
在为模糊集选择适当的隶属函数时,要符合以下约束:
- 隶属函数的下界是0,上界是1。
- 因此,隶属函数的取值范围是[0,1]。
- 对于每个 x ∈ X,μA(x)的值唯一。也就是同一个模糊集中,每一个元素只有一个隶属度。
以下是常见可以使用的离散或连续函数:
四、Fuzzy Subset
在许多应用中,模糊子集用于
传递更详细的语义概念。比如,可以将词语“old”定义为“age”的子集。
或者“temperature”的子集
更常见的子集形式:
NB:Negative Big
NM:Negative Middle
NS:Negative Small
PB:Positive Big
PM:Positive Middle
PS:Positive Small
Fuzzy set基本介绍(1)相关推荐
- 博途PLC的模糊PID(Matlab “fuzzy“工具箱使用介绍)
模糊控制和模糊PID的相关内容,其它专栏有详细讲解,大家可以自行搜索查看.这篇博客主要和大家分享.学习如何使用MATLAB fuzzy工具箱,帮助理解设计模糊控制器,受水平和能力所限,文中难免出现错误 ...
- American Fuzzy Lop(AFL)介绍
American Fuzzy Lop是一个结合了极其简单但是有坚如磐石的工具指引的遗传算法的暴力fuzzer.它使用了一个边缘覆盖的修改的表单来轻易地pick up不易察觉的,局部尺度变化到程序控制流 ...
- 【机器学习】模糊认知图(Fuzzy Cognitive Map, FCM)概念介绍
关于模糊认知图的背景 模糊认知图(Fuzzy Cognitive Map, FCM)是一种软计算的方法,是由模糊逻辑和神经网络相结合的产物.FCM与神经网络.图论等领域都有密切联系,正因为其强大的直观 ...
- american fuzzy lop 介绍
guided fuzzing的挑战 ==================== Fuzzing是漏洞挖掘领域最有效的方法之一,可以用来发现大量的远程代码执行和提权的漏洞.然而,fuzzing优势相对肤浅 ...
- es like模糊匹配_es 基于match_phrase/fuzzy的模糊匹配原理及使用
[版权声明]:本文章由danvid发布于http://danvid.cnblogs.com/,如需转载或部分使用请注明出处 在业务中经常会遇到类似数据库的"like"的模糊匹配需求 ...
- MATLAB工具箱介绍
MATLAB工具箱介绍 Toolbox工具箱 序号 工具箱 备注 数学.统计与优化 1 Symbolic Math Toolbox 符号数学工具箱 2 Partial Differential Euq ...
- 属性加密技术及基于属性的ABE算法的访问控制技术介绍
属性加密技术 基于身份的加密体制简介 基于身份的加密体制可以看作一种特殊的公钥加密,它有如下特点:系统中用户的公钥可以由任意的字符串组成.这些字符串可以是用户在现实中的身份信息,如:身份证号码.用户姓 ...
- 【Elasticsearch】十九种Elasticsearch字符串搜索方式终极介绍 各种 查询
本文为博主九师兄(QQ:541711153 欢迎来探讨技术)原创文章,未经允许博主不允许转载. 可以加我问问题,免费解答,有问题可以先私聊我,本人每天都在线,会帮助需要的人. 但是本博主因为某些原因, ...
- 【Elasticsearch】语言处理系列之打字或拼写错误 模糊匹配 字段纠错 Fuzzy multi_match
1.概述 转载:https://www.cnblogs.com/richaaaard/p/5282630.html 摘要 我们喜欢在对结构化数据(如:日期和价格)做查询时,结果只返回那些能精确匹配的文 ...
- RSYNC及其算法简单介绍
现在的存储系统,本身都具备很强的迁移以及备份策略,虽然还是基于网络传输,有相对延迟,但是方便了不少.另外,现在使用的存储系统,读写瓶颈的问题,也大都改为对象存储. 而我们那时候做文件存储,最头疼的就是 ...
最新文章
- ModuleNotFoundError: No module named ‘lib.utils.cython_bbox‘
- wxWidgets:wxSplashScreen 示例
- 高斯混合模型聚类_GMM: Gaussian Mixed Model(高斯混合模型)
- python 百分比输出_获取Linux系统负荷百分比的python脚本
- windows10下 tensorflow gpu版本安装配置方法
- Java基础教程【第九章:异常处理】
- Python Selenium set Chrome Preference Download Location.
- 风扇转速/CPU温度监控工具推荐
- smartq ten3 android4,智器TEN3(T15)拆机
- 开发工作中使用的敏捷开发模式
- 天天向上python题目答案_Python练习:天天向上的力量
- [转]你需要个人知识管理(PKM)吗?
- 我们都在过着「抽奖」的人生
- 大名鼎鼎的 Linux —— 进程,线程,协程
- 免信任型计算的扩容模型
- studio 3t连接linux上的MongoDB
- php7.3 7.4,PHP 7.4 早期性能基准测试:与 7.3 差不多
- Reactive的使用(reactive 和 shallowReactive使用上区别)
- angularJS学习小结——filter
- Python爬取微博热搜榜,将数据存入数据库
热门文章
- MIT人工智能实验室:如何做研究
- 利率浮动幅度bp什么意思,浮动利率bps换算百分比
- 自然人股东分红必须要缴纳20%个税吗?有三种真不用
- 蓝牙4.0 BLE传统配对绑定过程
- 数理统计——AQI分析
- 【论文阅读】DeepIM: Deep Iterative Matching for 6D Pose Estimation
- 计算机化学对高分子科学的贡献,计算机在化学中的应用论文(2)
- 华硕路由器修改 Hosts 以达到局域网内自定义解析
- 3种CSS3实现的网页过度效果代码,可独立用于网页设计展示
- JDBC驱动与MySQL版本不兼容的问题