7.1.4. Меры возможности и необходимости
Следующие неравенства непосредственно вытекают из аксиомы монотонности (7.2) и характеризуют объединение или пересечениесобытий:
(7.4)
(7.5)
Предельным случаем мер неопределенности оказываются функции множества
такие,
(7.6)
Они называются мерами возможности по Заде [12-17]. Если условие справедливо для любой пары непересекающихся множеств , то оно справедливо и для любой пары множеств (событий).
Пусть достоверное событие. Легко определить функциюсо значениями из, удовлетворяющую условию (7.6):
(7.7)
Ясно, что в данном контексте означает, что событиевозможно.
Это наводит на мысль о связи мер возможности с теорией ошибок. В частности, если два противоположных события (есть дополнениев), то имеем
(7.8)
Утверждение, что события иодинаково возможны, соответствует случаю полного незнания, когда событиестоль же ожидаемо, что и противоположное событие.
Наконец, условие (7.6) согласуется с представлением о возможности на уровне здравого смысла: для того чтобы реализовать , достаточно реализовать самый
«легкий» вариант из этих двух (наименее дорогостоящий), [103].
Когда множество конечно, то всякую меру возможностиможно определить по ее значениям на одноточечных подмножествах:
(7.9)
где есть отображение изв, называемоефункцией распределения возможностей. Оно является нормальным в смысле
(7.10)
поскольку
Когда множество бесконечно, то не гарантировано существование функции распределения возможностей. Соответствующее распределение становится распределением возможности лишь тогда, когда аксиома (7.6) расширяется на случай бесконечных объединений событий [97]. В прикладных задачах можно всегда исходить из функции распределения возможностей и строить меру возможностис помощью формулы (7.9). В наиболее общем случае меры возможности не удовлетворяют аксиоме непрерывности (7.3) для убывающих последовательностейвложенных множеств. Другой граничный случай мер неопределенности получается при достижении равенства в формуле (7.5). При этом определяется класс функций множества, называемыхмерами необходимости и обозначаемых , которые удовлетворяют аксиоме, двойственной аксиоме (7.6):
(7.11)
Легко построить функцию со значениями в {0,1}, исходя из информации о достоверном событии и полагая
(7.12)
Здесь означает, что- достоверное событие (с необходимостью истинное).
Более того, легко видеть, что функция множества удовлетворяет аксиоме (7.11) тогда, и только тогда, когда функция, определяемая в виде
(7.13)
является мерой возможности. Формулы (7.12) и (7.13) поясняют название «меры необходимости» для функции [97]. Формула (7.13) есть численное выражение отношения двойственности между модальностями «возможно» и «необходимо» (в модальной логике), постулирующее, что некоторое событие необходимо, когда противоположное событие невозможно. Это отношение двойственности означает, что всегда можно построить функцию распределения необходимости исходя из функции распределения возможностис помощью формулы
(7.14)
Меры необходимости удовлетворяют соотношению
(7.15)
которое исключает одновременную необходимость двух противоположных событий. С помощью (7.13) и (7.15) (или (7.8)) нетрудно проверить, что
(7.16)
Данное условие отвечает интуитивно представлению о том, что, прежде чем быть необходимым, событие должно быть возможным. К тому же имеются более сильные утверждения, чем аксиома (7.16):
(7.17)
(7.18)
- Предисловие
- Список использованных сокращений
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Часть 2.
- Глава 2. Методы представления знаний с использованием
- Часть 3.
- Глава 3. Интеллектуальные технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- Часть 4.
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4.1. Переработка и использование информации в реальных условиях функционирования агрегатов
- Часть 5.
- Список использованных сокращений и обозначений
- Введение:
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Формализация объекта и парадигмы
- 1.3. Множества и перечень базовых операций над множествами
- Перечень базовых операций над множествами
- Области определения функций
- Обратная функция
- Теорема
- Мера и нечеткая мера
- Задача построения нечетких мер
- Нечеткие множества: определение и формы записи в операциях и
- 1.7.Функции доверия и правило Демпстера а.Р.,[23]
- 1.8. Нормировка функций в теории нечётких множеств
- 1.9. Нечёткие отношения: прямая и обратная задачи
- Глава 2. Методы представления знаний с использованием приближенных и нечетких множеств
- 2.1.Нечеткие вычислительные технологии
- 2.2.Семантика объекта: определение и типизация
- 2.3.Создание Базы знаний: постановка, семантика, прагматика
- 2.4. Сопоставление объектов: постановка, семантика, прагматика
- 2.5.Распознавание объектов: постановка, семантика, прагматика
- 2.6. Управление процессом представления знаний
- Нечёткие множества: субъективность и неточность
- 2.8.Нечеткая алгебра
- 2.9.Нечеткие иерархические отношения
- 2.10.Естественность операций max и min
- 2.11.Нечеткая статистика
- 2.12. Совместимость и нечеткое ожидание
- Глава 3. Нечеткие технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- 3.2. Обработка нечетких данных как неопределенных чисел
- Методология представления агрегата в виде комплексного механизма
- 3.2.2. Описание исходной информации на языке размытых множеств
- Размытость интервалов, ограничений, критериев и целей управления в эксплуатации и диагностике
- 3.3.3. Размытые ограничения, цели и оптимизация работы агрегата в условиях нечеткой информации о состоянии
- Анализ информации для диагностики и оценивания состояния механизмов
- 3.5. Оценки погрешностей измерений и наблюдений за состоянием агрегатов
- Влияние погрешностей исходных данных на погрешности диагноза
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4. 2. Управление и идентификация на объекте в условиях неопределенности информации на основе знаний, получаемых при функциональной диагностике
- Тогда множество диагностических признаков g также будет нечетким
- 4.3.Представление и использование чётких и «размытых» знаний в математических моделях оценивания состояния агрегатов, на основе функциональной диагностики
- 4.3.1.Формализация решения задачи оценивания состояния
- 4.3.2. Особенности решения задач контроля и функционирования агрегата
- Глава 5. Введение в генетическое программирование
- 5.1. Введение в генетические и эволюционные алгоритмы
- 5.2. Сравнительный анализ эволюционных алгоритмов
- 5.3. Генетическое программирование
- 5.4. Перспективные направления развития гп
- Глава 6. Введение в нейронные сети
- 6.1. Алгоритмы их обучение и эластичные нейро-нечеткие системы
- 6.2. Имитация нервных клеток
- 6.3. Математическая модель нейрона
- 6.4. Обучение нейронных сетей
- 6.5. Метод обратного распространения ошибки
- 6.6. Алгоритм настройки нейронной сети
- Глава 7. Другие методы нечетких технологий для построения
- 7.1. Введение в теорию возможностей и смысла
- 7.1.1. Неопределенность и неточность
- 7.1.2. Традиционные модели неточности и неопределенности
- 7.1.3. Меры неопределенности
- 7.1.4. Меры возможности и необходимости
- 7.1.5. Возможность и вероятность
- 7.2. Языки и технологии логического программирования prolog, lisp
- Глава 8. Послесловие
- 8.1. Эволюция искусственного интеллекта для развития интеллектуальных
- 8.2.Экспертные системы нового уровня
- 8.3. Роботика
- 8.4. Преобразование речи искусственного языка
- 8.5. Интеллект муравьёв и его использование
- 8.6. Искусственная жизнь, мозг, познание, разум, память и мышление
- 8.7. Боты
- Optimizator подсистемы диагностики состояния энергоустановок, skais, для решения задач технического обслуживания
- Заключение
- Заключение
- Литература