definované
cybernetics professor at the University of California bar too (L, A, Zadeh) After years of pondering, and finally first published in 1965 entitled "fuzzy sets" papers. He noted: If for any domain of (range studied) U is an element x, has a number A (x) ∈ [0,1] corresponding thereto, then A is a fuzzy set U, A (x ) referred to as x membership degree of a. When x changes in U, A (x) is a function, called the membership function A. A membership degree (x) becomes closer to 1, the higher the degree of x is A, A (x) becomes closer to 0 indicates a lower degree of x is A. With values in the interval [0,1] of the membership function A (x) A x is characterized by low degree of fuzziness describes more reasonable than the classical set theory.
Kategorie
Aplikace nadace členství funkce jsou fuzzy kontroly, správné konstrukce funkce členství je schopnost ovládat jeden z klíčových fuzzy dobré použití. Proces určování funkce členství by v podstatě měl být objektivní, ale pro každého s vágním chápáním pojmu chápání rozdílů existuje tedy určení funkce členství a subjektivní.
Stanovit funkci členství nemá vyspělou a účinnou metodu, jak tuto metodu stanovit, většina systémů stále zůstává základem zkušeností a experimentů. Pro stejný vágní koncept různí lidé nezavedou funkci členství přesně stejnou, i když ne úplně stejnou formu, pokud odráží stejný vágní koncept, stále totéž v praktickém řešení problémů a zpracování nejasných informací. Následuje popis několika běžně používaných metod.
fuzzy statistiky
The basic idea of fuzzy statistical method is to make a clear judgment on a certain element vo whether a clear set of A3 a variation on the domain of the domain U . For different test subject, clearly set A3 may have different borders, but they all correspond to the same fuzzy set A. Fuzzy calculation step statistical method is: in each statistics, VO is the fixed value A3 is variable, for n tests, which can blur the statistics calculated by the following equation
v0 krát pod frekvencí a = v0∈A / celkový počet testů n
jak se n zvyšuje, frekvence bude mít tendenci být stabilní pod touto stabilní hodnotou vo je stupeň členství a. Tato metoda více přímo odráží míru příslušnosti k fuzzy konceptu, ale velké množství výpočtů.
ilustrace
is the main idea of the exemplary method known finite values μA to estimate the fuzzy set membership function domain U of A. Such as domain U on behalf of all mankind, A is a "tall people." Clearly A is a fuzzy subset. To determine μA, first determine the value of a height h, and then select a few linguistic truth value (that is, the word of the true extent of) one to answer whether someone is considered as a "tall." Such as language true value can be divided into "real", "approximately true", "s real," "approximately false" and "false" five cases, and each digital 1,0.75,0.5,0.25, 0 to represent the true value of these languages. The n different heights h1, h2, ..., hn are the same as the query, which can obtain the membership function A discrete representation.
odbornost
expert experience blurring method is given in equation corresponding weight coefficient values or information based on the actual experience of the expert to determine a method of membership function. In many cases, often initially determined rough membership function, and then through the "learning" and the test of practice and gradually modify and improve, but the actual effect is the basis for testing and adjusting the membership function.
Binární srovnání seřazeno
Binární komparační metoda řazení je praktičtější metodou určení funkce příslušnosti. Je to dvacet dva srovnání mezi množstvím věcí, aby se určily určité charakteristiky prostřednictvím, a tím se určil obecný tvar funkce členství charakteristické věci. Binární Srovnání různých metod třídění podle srovnávacího opatření, lze rozdělit na relativní, srovnávací průměrnou metodu a sekvenační metodu prioritního vztahu podobnou prioritní srovnávací metodu.
Příklad
provedení
A (x) = představuje fuzzy množinu „staré“ funkce členství, A představuje fuzzy množinu „starou“, když Věk x≤50, když A (x) = 0 znamená, že x nepatří do fuzzy množiny A (tj. starý"), zatímco když x≥100, A (x) = 1 znamená, že x zcela A, když 50
Příklad two
Podle fuzzy komplexní analýzy hodnotíme výkonnost podniku. .
1 sada faktorů U: U = {u1, u2, ...... u9}
Současný komplexní systém hodnocení mé země a balancovaný bodovací lístek (SEC), volíme u1 (aktiva čistého zisku), u2 (provozní podmínky aktiv), u3 (dlouhodobá solventnost), u4 (krátkodobá solventnost). U5 (podmínky růstu prodeje), u6 (tržní síla), u7 (technická kapacita), u8 (rozvoj inovačních schopností), u9 (učení) 9 ukazatelů odráží hlavní ukazatele výkonnosti firmy. Které, u1, u2, u3, u4, u5 jsou finanční ukazatele finanční výkonnosti, přičemž všechny původní ukazatele odrážejí přesný poměr, ale jsou rozmazané a objektivněji odrážejí skutečnou výkonnost podniku. Například při hodnocení krátkodobé solventnosti podniku byl aktuální ukazatel podniku 1,8, ale odborníci zjistili velké množství akcií podniku, které tvoří větší část oběžných aktiv, což naznačuje, že likvidita jeho aktiv je není dobré, takže index hodnocení je stále nižší. U6 je zákaznický aspekt ukazatelů výkonnosti, u7 aspekty ukazatelů výkonnosti interních obchodních procesů, u8, u9 jsou ukazatele výkonnosti učení a růstu.
2. Vyhodnocení poskytlo množinu V = {v1, v2 ...... v4}. Jednoduchost, stanovili jsme v1: vynikající, v2: dobré, v3: průměrné, v4: špatné.
3. Pro získání hodnotící matice jsme vybrali certifikovaného účetního společnosti, obeznámeného s obchodní situací posuzované skupiny odborníků
4. Podle znaleckého posudku určíme, že množina závaží A je:
5 podle modelu M (,, +).
Proto je podle zásady maximálního stupně členství výkonnost podniku hodnocena jako "uspokojivá.". Později se obchodní lídři domnívají, že výsledky hodnocení více odpovídají skutečné situaci.