Нечёткие множества: субъективность и неточность
Излагается общая точка зрения, основанная на понятии субъективности и неточности. Применение теории нечётких множеств к представлению неточных понятий было изложено в работах Goguena J.A., [34].
Наиболее убедительным аргументом Goguena J.A. является теорема представимости из его диссертации, утверждающая, что любая система, удовлетворяющая определённым аксиомам, эквивалентна некоторой системе нечётких множеств. Интуитивно кажется, что система всех неточных понятий удовлетворяет этим аксиомам. Поэтому, на основании теоремы, можно заключить: неточные понятия представимы нечёткими множествами. Теорема представимости математически строго доказывается теорией категорий [35], поэтому понятиям «система», «эквивалентно», «представлено» - придан самый точный смысл.
Множество, рассматриваемое в абстрактной, то есть классической, нечёткой теории множеств, определяется, как совокупности объектов, имеющих, некоторое общее свойство Р. Относительно природы каждого объекта в ней не делается никаких специальных предположений. Например, множество A можно определить как множество улиц: А = {x|x есть улица}.
Что можно сказать о классе длинных улиц, является ли оно множеством в обычном смысле. Для этого нужно спросить - какова длина длинной улицы. Если улица длиной в милю, то чем она отличается от улицы в 0.5 мили, то есть, мы не знаем, как ответить на эти вопросы. Потому что выражение «улица длинная», относящееся к классу длинных улиц, не образует множество в обычном смысле. Фактически к такому размытому, нечетко определенному типу, относится большинство классов объектов реального физического мира. То есть, четких критериев принадлежности реальных объектов к тому или иному классу - не существует. Реальный объект не обязательно должен либо принадлежать, либо не принадлежать какому-либо классу, но возможны и промежуточные степени принадлежности. Отсюда и возникает понятие о нечетком множестве как о классе с континуумом (мощность множества) степеней принадлежности. Теория нечетких множеств ЗадеЛ. является обобщением ТНМ, [12-17]. Другими словами, она включает в себя абстрактную теорию - как частный случай. Все определения, теоремы, доказательства и т.д., ТНМ, всегда справедливы и для четких множеств. Поэтому, по сравнению с теорией абстрактных множеств, теория нечетких множеств имеет более широкую область применения при решении задач, в той или иной степени, включающих субъективную оценку. Интуитивно, НМ - это класс, к которому имеется возможность принадлежать.
Пусть Ω = {x} – это пространство объектов. Тогда НМ А в пространстве Ω называется множество упорядоченных пар A = {(x, µA(x))}, xΩ, где µA(x) - называется «степенью принадлежности объекта x к множеству А». Для простоты будем предполагать, что µA(x) - это число, принадлежащее отрезку , причем 1 соответствует полной принадлежности к НМ, а 0 - тому, что объект к нему не принадлежит. Предположим так же, что мы располагаем возможностью сравнения истинности двух нечетких утверждений: «xА» и «yА» и что точное отношение, полученное в результате такого сравнения, удовлетворяет минимальным требованиям согласованности – рефлексивности и транзитивности; при этом знак >= имеет смысл, по крайней мере «столь же истинно, как и», а знак <= - «не так истинно, как». В своей философской работе Black M. [36] различает 3 типа неточности:
неопределенность, когда некоторое понятие применимо к множеству разнообразных ситуаций;
неоднозначность, когда оно описывает насколько различимых подпонятий;
неясность, когда нет точно определенной границы понятия.
НМ, таким образом, служит представлением всех 3 типов неточности. Неопределённость имеет место, когда универсальное множество состоит более чем из одной точки. Неоднозначность присутствует всякий раз, когда функция принадлежности имеет более одного локального максимума. Неясность соответствует тому факту, что функция принадлежности принимает значения отличные от 0 и 1. Таким образом, неоднозначность и неясность предполагают существование в универсальном множестве некоторого понятия близости или соседства. Рассмотрим несколько примеров НМ.
Пример 1:
Рассмотрим класс всех действительных чисел, много больших 1. Это множество можно определить как:
A = {x|x – действительное число и x1}.
Однако по упомянутым выше причинам такое множество нельзя считать вполне четко определенным. Субъективно это множество можно задать с помощью функции принадлежности µA(x), такой что µA(x) = 0, при x<= 1 и µA(x) = , приx> 1, которая показана на рис. 2.1:
1
µA
log xi
Рис. 2.1.Функция принадлежности µA(x).
По своему существу задание функции принадлежности к НМ субъективно и отражает контекст, в котором рассматривается задача. Однако, несмотря на эту субъективность, функция принадлежности к НМ А не может быть произвольной. Будет полнейшей ошибкой задавать функцию принадлежности в виде:
µA(x) = , гдеx<= 1 и µA(x) = 0, при x> 1.
Точно так же непригодна функция
µA(x) = 0, где x<= 1 и µA(x) = , приx> 1, которая монотонно убывает с ростом x при x> 1 и функция µA(x) = 0 x<= 1 и µA(x) = , приx> 1, которая, хотя монотонно и возрастает, становится ~ 1 уже при x=1,1. Которая удовлетворяет неравенству µA [0,1] при всех xΩ и находится в согласии с определением множества А. Такие функции называют недопустимыми функциями для нечеткого множества А.
Из предыдущего обсуждения вытекает, что при задании функции принадлежности не следует придавать числовым значениям (кроме 0 и 1) таких признаков как, «короткий», какого либо особого смысла; важным здесь является самоупорядочивание этих значений. Наблюдательные люди согласятся друг с другими, что 1 человек меньше другого, однако и в этом случае слово короткий никогда не будет иметь четко определенного смысла. По терминологии Суппеса П. и Зинеса Дж. [37] степень принадлежности может быть измерена в порядковой шкале.
Морфизм категорий [38] также используется как метод описания измерений соотношений между точностью (мера правильности и важности) (мера ожидаемой
полезности) в теории принятия решений, прогнозов погоды, а также соотношений между мнениями нескольких экспертов метеорологов.
Морфизм категорий – термин, используемый для элементов произвольной категории, играющих роль отображений множеств друг в друга, гомоморфизмов групп, колец, алгебр, непрерывных отображений топологических пространств и т.п. Морфизм категории – неоределяемое понятие. Каждая категория состоит из элементов двух классов, называемых классом объектов и классом морфизмов соответственно. Класс морфизмов категории обозначается. Любой морфизмкатегории имеет однозначно определенное начало – объекти однозначно определенный конец – объект. Все морфизмы с общим началоми концомобразуют подмножествокласса. Тот факт, чтоимеет началои конец, можно записать обычным образом:, или с помощью стрелоки т.п. Деление элементов категории на морфизмы и объекты имеет смысл только в пределах фиксированной категории, т.к. морфизмы одной категории могут быть объектами другой и наоборот. Морфизмы любой категории образуют систему, замкнутую относительно частичной бинарной операции – умножения. В зависимости от свойств морфизма по отношению к этой операции выделяются специальные классы морфизмов, например: мономорфизм, эпиморфизм, биморфизм, изоморфизм, нулевой морфизм, нормальный монорфизм, нормальный эпиморфизм и т.д. Эпиморфизм – понятие, отражающее алгебраические свойства сюръективных отображений множеств.
- 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