Вывихи 

Раздел Fuzzy Logic Toolbox. С.Д.Штовба

Fuzzy Logic Toolbox включает 11 встроенных функций принадлежностей, которые используют следующие основные функции:

  • кусочно-линейную;
  • гауссовское распределение;
  • сигмоидную кривую;
  • квадратическую и кубические кривые.

Для удобства имена всех встроенных функций принадлежности оканчиваютя на mf. Вызов функции принадлежности осуществляется следующим образом:

namemf(x, params),

где namemf – наименование функции принадлежности;
x – вектор, для координат которого необходимо рассчитать значения функции принадлежности;
params – вектор параметров функции принадлежности.

Простейшие функции принадлежности треугольная (trimf ) и трапециевидная (trapmf ) формируется с использованием кусочно-линейной аппроксимации. Трапециевидная функция принадлежности является обобщение треугольной, она позволяет задавать ядро нечеткого множества в виде интервала. В случае трапециевидной функции принадлежности возможна следующая удобная интерпретация: ядро нечеткого множества – оптимистическая оценка; носитель нечеткого множества – пессимистическая оценка.

Две функции принадлежности – симметричная гауссовская (gaussmf ) и двухстороняя гауссовская (gaussmf ) формируется с использованием гауссовского распределения. Функция gaussmf позволяет задавать ассиметричные функция принадлежности. Обобщенная колоколообразная функция принадлежности (gbellmf ) по своей форме похожа на гауссовские. Эти функции принадлежности часто используются в нечетких системах, так как на всей области определения они является гладкими и принимают ненулевые значения.

Функции принадлежности sigmf , dsigmf , psigmf основаны на использовании сигмоидной кривой. Эти функции позволяют формировать функции принадлежности, значения которых начиная с некоторого значения аргумента и до + (-) равны 1. Такие функции удобны для задания лингвистических термов типа “высокий” или “низкий”.

Полиномиальная аппроксимация применяется при формировании функций zmf, pimf и smf , графические изображения которых похожи на функции sigmf , dsigmf , psigmf , соответственно.

Основная информация о встроенных функциях принадлежности сведена в табл. 6.1. На рис. 6.1 приведены графические изображения функций принадлежности, полученные с помощью демонстрационной сценария mfdemo . Как видно из рисунка, встроенные функции принадлежности позволяют задавать разнообразные нечеткие множества.

В Fuzzy Logic Toolbox предусмотрена возможность для пользователя создания собственной функции принадлежности. Для этого необходимо создать m -функцию, содержащую два входных аргумента – вектор, для координат которого необходимо рассчитать значения функции принадлежности и вектор параметров функции принадлежности. Выходным аргументом функции должен быть вектор степеней принадлежности. Ниже приведена m -функция, реализующая колоколообразную функцию принадлежности :

function mu=bellmf(x, params)
%bellmf – bell membership function;
%x – input vector;
%params(1) – concentration coefficient (>0);
%params(2) – coordinate of maximuma.
a=params(1);
b=params(2);
mu=1./(1+ ((x-b)/a).^2);

Рисунок 6.1. Встроенные функции принадлежности

Таблица 6.1. Функции принадлежности

Наименование функции

Описание

Аналитическая формула

Порядок параметров

dsigmf функция принадлежности в виде разности между двумя сигмоидными функциями

gauss2mf двухсторонняя гауссовская функция принадлежности

если c1;

если c1>c2, то
.
gaussmf симметричная гауссовская функция принадлежности
gbellmf обобщенная колокообразная функция принадлежности

pimf пи-подобная функция принадлежности

произведение smf и zmf функций

– носитель нечеткого множества;

Функция принадлежности μ A (x) ∈ ставит в соответствие каждому числу

x ∈ X число из интервала , характеризующее степень принадлежности решения к подмножеству А.

Т.е. это некоторая не вероятностная субъективная мера нечеткости, определяемая в результате опроса экспертов о степени соответствия элемента x понятию, формализуемому нечетким множеством A. В отличие от вероятностной меры, которая является оценкой стохастической неопределенности, имеющей дело с неоднозначностью наступления некоторого события в различные моменты времени, нечеткая мера является численной оценкой лингвистической неопределенности, связанной с неоднозначностью и расплывчатостью категорий человеческого мышления. При построении функции принадлежности μ A (x) с каждым нечетким множеством A ассоциируется некоторое свойство, признак или атрибут, который характеризует некоторую совокупность объектов X. Чем в большей степени конкретный объект x ∈ X обладает этим свойством, тем более близко к 1 соответствующее значение μ A (x). Если элемент x ∈ X определенно обладает этим свойством, то μ A (x)=1, если же x ∈ X определенно не обладает этим свойством, то μ A (x)=0.

Основные виды функций принадлежности

На практике удобно использовать те функции принадлежности, которые допускают аналитическое представление в виде некоторой простой математической функции.

1. Кусочно-линейные,

использующиеся для задания неопределенностей типа: «приблизительно равно», «среднее значение», «расположен в интервале», «подобен объекту», «похож на предмет» и т.п.

Треугольная trimf

Трапецеидальная trapmf

2. S-образные,

использующиеся для задания неопределенностей типа: «большое количество», «большое значение», «значительная величина», «высокий уровень» и т.п.

Квадратичный S-сплайн smf

3. Z -образные,

использующиеся для задания неопределенностей типа «малое количество», «небольшое значении е», «незначительная величина», «низкий уровень» и т.п.

Квадратичный Z -сплайн z mf

4. П-образные,

использующиеся для задания неопределенностей типа: «приблизительно в пределах от и до», «примерно равно», «около» и т.п.

К данному типу функций принадлежности можно отнести целый класс кривых, которые по своей форме напоминают колокол, сглаженную трапецию или букву "П".

Колоколообразная gbellmf

a - коэффициент концентрации функции принадлежности; b – коэффициент крутизны функции принадлежности; c – координата максимума функции принадлежности.

Гауссовская gaussmf

a – координата максимума функции принадлежности; b – коэффициент концентрации функции принадлежности.

Методы построения функций принадлежности

Прямые и косвенные

В зависимости от числа привлеченных к опросу экспертов как прямые, так и косвенные методы делятся на одиночные и групповые .

Прямые

В прямых методах эксперт либо группа экспертов просто задают для каждого

x ∈ X значение функции принадлежности μ A (x).

Как правило, прямые методы построения функций принадлежности используются для таких свойств, которые могут быть измерены в некоторой количественной шкале. Например, такие физические величины, как скорость, время, расстояние, давление, температура и другие имеют соответствующие единицы и эталоны для своего измерения.

При прямом построении функций принадлежности следует учитывать, что теория нечетких множеств не требует абсолютно точного задания функций принадлежности. Зачастую бывает достаточно зафиксировать лишь наиболее характерные значения и вид функции принадлежности.

Так, например, если необходимо построить нечеткое множество, которое представляет свойство "скорость движения автомобиля примерно 50 км/ч", на начальном этапе может оказаться достаточным представить соответствующее нечеткое множество треугольной функцией принадлежности с параметрами а = 40 км/ч, b = 60 км/ч и с = 50 км/ч. В последующем функция принадлежности может быть уточнена опытным путем на основе анализа результатов решения конкретных задач.

Процесс построения или задания нечеткого множества на основе некоторого известного заранее количественного значения измеримого признака получил даже специальное название - фаззификация или приведение к нечеткости. Речь идет о том, что хотя иногда нам бывает известно некоторое значение измеримой величины, мы признаем тот факт, что это значение известно неточно, возможно с погрешностью или случайной ошибкой. При этом, чем меньше мы уверены в точности измерения признака, тем большим будет интервал носителя соответствующего нечеткого множества. Следует помнить, что в большинстве практических случаев абсолютная точность измерения является лишь удобной абстракцией для построения математических моделей. Именно по этой причине фаззификация позволяет более адекватно представить объективно присутствующую неточность результатов физических измерений.

Метод относительных частот (прямой групповой)

Пусть имеется m экспертов, n 1 из которых на вопрос о принадлежности элемента x ∈ X нечеткому множеству A отвечают положительно. Другая часть экспертов n 2 = m – n 1 отвечает на этот вопрос отрицательно. Тогда принимается μ A (x) = n 1 / (n 1 + n 2) = n 1 / m.

Пример. Рассмотрим нечеткое множество A, соответствующее понятию «скорость изменения температуры положительная средняя». Объект x – скорость изменения температуры. Экспертам предъявляются различные значения скорости изменения температуры x, и каждому из них задается вопрос: считает ли эксперт, что данная скорость изменения температуры x положительная средняя. Результаты опроса сведены в табл.

В качестве непрерывного представления данной нечеткой переменной можно использовать гауссовскую ФП gaussmf с максимумом функции принадлежности а=5 и коэффициентом концентрации функции принадлежности b=1.7:

μ(x) = exp [ – (x–5) 2 / 2*1.7 2 ]

Косвенные

Используются при решении задач, для которых свойства физических величин не могут быть измерены. Наибольшее распространение среди косвенных методов получил метод парных сравнений.

Метод парных сравнений

Интенсивность принадлежности определяют, исходя из попарных сравнений рассматриваемых элементов.

Для каждой пары элементов универсального множества эксперт оценивает преимущество одного элемента над другим по отношению к свойству нечеткого множества. Парные сравнения удобно представлять следующей матрицей:

,

где - уровень преимущество элементанад(), определяемый по девятибальной шкале Саати:

1 - если отсутствует преимущество элемента над элементом;

3 - если имеется слабое преимущество над;

5 - если имеется существенное преимущество над;

7 - если имеется явное преимущество над;

9 - если имеется абсолютное преимущество над;

2, 4, 6, 8 - промежуточные сравнительные оценки.

Пример. Построить функцию принадлежности нечеткого множества "высокий мужчина" на универсальном множестве {170, 175, 180, 185, 190, 195}, если известны такие экспертные парные сравнения:

    абсолютное преимущество 195 над 170;

    явное преимущество 195 над 175;

    существенное преимущество 195 над 180;

    слабое преимущество 195 над 185;

    отсутствует преимущество 195 над 190.

Приведенным экспертным высказываниям соответствует такая матрица парных сравнений:

При согласованных мнениях эксперта матрица парных сравнений обладает следующими свойствами:

    она диагональная‚ т. е. a ii =1 ‚ i=1..n ;

    она обратно симметрична‚ т. е. элементы‚ симметричные относительно главной диагонали‚ связаны зависимостью a ij =1/a ji , i,j=1..n ;

    она транзитивна‚ т. е. a ik a kj =a ij , i,j,k=1..n .

Наличие этих свойств позволяет определить все элементы матрицы парных сравнений:

После определения всех элементов матрицы парных сравнений, степени принадлежности нечеткого множества вычисляются по формуле:

Для нормализации нечеткого множества разделим все степени принадлежности на максимальное значение, т.е. на 0.3588.

μ высокий мужчина (u i) (субнормальное нечеткое множество)

μ высокий мужчина (u i) ((нормальное нечеткое множество)

В обыденной жизни мы часто сталкиваемся со случаями, когда не существует элементарных измеримых свойств и признаков, которые определяют интересующие нас понятия, например, красоту, интеллектуальность. Бывает трудно проранжировать степень проявления свойства у рассматриваемых элементов. Так как степени принадлежности рассматриваются на данном реальном множестве, а не в абсолютном смысле, то интенсивность принадлежности можно определять, исходя из попарных сравнений рассматриваемых элементов.

Среди косвенных методов определения функции принадлежности наибольшее распространение получил метод парных сравнений Саати . Сложность использования этого метода заключается в необходимости нахождения собственного вектора матрицы парных сравнений, которая задается с помощью специально предложенной шкалы. Причем эти сложности увеличиваются с ростом размерности универсального множества , на которой задается лингвистический терм .

Мы рассмотрим метод, также использующий матрицу парных сравнений элементов универсального множества . Но, в отличие от метода Саати, он не требует нахождения собственного вектора матрицы, т.е. освобождает исследователя от трудоемких процедур решения характеристических уравнений .

Пусть - некоторое свойство, которое рассматривается как лингвистический терм . Нечеткое множество , с помощью которого формализуется терм , представляет собой совокупность пар:

Где - универсальное множество , на котором задается нечеткое множество . Задача состоит в том, чтобы определить значения для всех . Совокупность этих значений и будет составлять неизвестную функцию принадлежности.

Метод, который предлагается для решения поставленной проблемы, базируется на идее распределения степеней принадлежности элементов универсального множества согласно с их рангами. Эта идея раньше использовалась в теории структурного анализа систем, где рассмотрены различные способы определения рангов элементов.

В нашем случае под рангом элемента будем понимать число , которое характеризует значимость этого элемента в формировании свойства, описываемого нечетким термом. Допускаем, что выполняется правило: чем больший ранг элемента, тем больше степень принадлежности .

Для последующих построений введем такие обозначения: , . Тогда правило распределения степеней принадлежности можно задать в виде системы соотношений:

Используя данные соотношения, легко определить степени принадлежности всех элементов универсального множества через степень принадлежности опорного элемента.

Если опорным является элемент с принадлежностью , то

Учитывая условие нормирования, находим:

Полученные формулы дают возможность вычислять степени принадлежности элементов к нечеткому терму двумя независимыми путями:

Эта матрица обладает следующими свойствами:

а) она диагональная, т.е.

б) ее элементы, которые симметричны относительно главной диагонали, связаны зависимостью

в) она транзитивна, т.е. .

Наличие этих свойств приводит к тому, что при известных элементах одной строки матрицы легко определить элементы всех других строк. Если известна -я строка, т.е. элементы , , то произвольный элемент находится так:

Поскольку матрица может быть интерпретирована как матрица парных сравнений рангов, то для экспертных оценок элементов этой матрицы можно использовать 9 балльную шкалу Саати. В нашем случае шкала формируется так:

Числовая оценка Качественная оценка (сравнение и )
1 отсутствие преимущества над
3 слабое преимущество над
5 существенное преимущество над
7 явное преимущество над
9 абсолютное преимущество над
2, 4, 6, 8 промежуточные

Нечеткое множество - ключевое понятие нечеткой логики. Пусть Е — универсальное множество, х — элемент Е, a R — некоторое свойство. Обычное (четкое) подмножество А универ-сального множества Е, элементы которого удовлетворяют свойству R, определяется как множество упорядоченных пар

А = { μ A (x ) / x },

где μ А (х) —характеристическая функция, принимающая значе-ние 1, если х удовлетворяет свойству R, и 0 - в противном случае.

Нечеткое подмножество отличается от обычного тем, что для элементов х из Е нет однозначного ответа «да-нет» относительно свойства R. В связи с этим нечеткое подмножество А универсаль-ного множества Е определяется как множество упорядоченных пар

А = { μ A (x ) / x },

где μ А (х) — характеристическая функция принадлежности (или просто функция принадлежности) , принимающая значения в некотором вполне упорядоченном множестве М (например, М = ).

Функция принадлежности указывает степень (или уровень) принадлежности элемента х подмножеству А. Множество М назы-вают множеством принадлежностей. Если М = {0, 1}, то нечеткое подмножество А может рассматриваться как обычное или четкое множество.

Примеры записи нечеткого множества

Пусть Е = {x 1 , x 2 , х з, x 4 , x 5 }, М = ; А — нечеткое множество, для которого μ A (x 1 )= 0,3; μ A (х 2 )= 0; μ A (х 3) = 1; μ A (x 4) = 0,5; μ A (х 5 )= 0,9.

Тогда А можно представить в виде

А = {0,3/x 1 ; 0/х 2 ; 1/х 3 ; 0,5/х 4 ; 0,9/х 5 },

или

А ={0,3/x 1 +0/х 2 +1/х 3 +0,5/х 4 +0,9/х 5 },

или

Замечание . Здесь знак «+» не является обозначением операции сложения, а имеет смысл объединения.

Основные характеристики нечетких множеств

Пусть М = и А — нечеткое множество с элементами из универсаль-ного множества Е и множеством принадлежностей М.

Величина называется высотой нечеткого множества А. Нечеткое множество А нормально, если его высота рав-на 1,т.е. верхняя граница его функции принадлежности равна 1 (= 1). При < 1нечеткое множество называется субнормальным.

Нечеткое множество пусто, если ∀x ϵ E μ A (x ) = 0. Непу-стое субнормальное множество можно нормализовать по формуле

Нечеткое множество унимодально, если μ A (x ) = 1 только на одном х из Е.

. Носителем нечеткого множества А является обычное под-множество со свойством μ A (x )>0, т.е. носитель А = {x /x ϵ E, μ A (x )>0}.

Элементы x ϵ E , для которых μ A (x ) = 0,5 , называются точками перехода множества А.

Примеры нечетких множеств

1. Пусть Е = {0, 1, 2, . . ., 10}, М = . Нечеткое множество «Несколько» можно определить следующим образом:

«Несколько» = 0,5/3 + 0,8/4 + 1/5 + 1/6 + 0,8/7 + 0,5/8; его характеристики: высота = 1, носитель = {3, 4, 5, 6, 7, 8}, точки перехода — {3, 8}.

2. Пусть Е = {0, 1, 2, 3,…, n ,… }. Нечеткое множество «Малый» можно определить:

3. Пусть Е = {1, 2, 3, . . ., 100} и соответствует понятию «Возраст», тогда нечеткое множество «Молодой» может быть определено с помощью


Нечеткое множество «Молодой» на универсальном множестве Е" = {ИВАНОВ, ПЕТРОВ, СИДОРОВ,...} задается с помощью функции при-надлежности μ Молодой (x ) на Е = {1, 2, 3, . . ., 100} (возраст), называемой по отношению к Е" функцией совместимости, при этом:

где х — возраст СИДОРОВА.

4. Пусть Е = {ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,… } - множе-ство марок автомобилей, а Е" = — универсальное множество «Сто-имость», тогда на Е" мы можем определить нечеткие множества типа:


Рис. 1.1. Примеры функций принадлежности

«Для бедных», «Для среднего класса», «Престижные», с функциями при-надлежности вида рис. 1.1.

Имея эти функции и зная стоимости автомобилей из Е в данный момент времени, мы тем самым определим на Е" нечеткие множества с этими же названиями.

Так, например, нечеткое множество «Для бедных», заданное на уни-версальном множестве Е = { ЗАПОРОЖЕЦ, ЖИГУЛИ, МЕРСЕДЕС,...}, выглядит так, как показано на рис. 1.2.


Рис. 1.2. Пример задания нечеткого множества

Аналогично можно определить нечеткое множество «Скоростные», «Средние», «Тихоходные» и т. д.

5. Пусть Е — множество целых чисел:

Е = {-8, -5, -3, 0, 1, 2, 4, 6, 9}.

Тогда нечеткое подмножество чисел, по абсолютной величине близких к нулю, можно определить, например, так:

А = {0/-8 + 0,5/-5 + 0,6/-3 +1/0 + 0,9/1 + 0,8/2 + 0,6/4 + 0,3/6 + 0/9}.

О методах построения функций принадлежности нечет-ких множеств

В приведенных выше примерах использованы пря-мые методы, когда эксперт либо просто задает для каждого х ϵ Е значение μ А (х), либо определяет функцию совместимости. Как правило, прямые методы задания функции принадлежности ис-пользуются для измеримых понятий, таких как скорость, время, расстояние, давление, температура и т.д., или когда выделяются полярные значения.

Во многих задачах при характеристике объекта можно выде-лить набор признаков и для каждого из них определить полярные значения, соответствующие значениям функции принадлежности, 0 или 1.

Например, в задаче распознавания лиц можно выделить шкалы, приведенные в табл. 1.1.

Таблица 1.1. Шкалы в задаче распознавания лиц

x 1

высота лба

x 2

профиль носа

курносый

горбатый

длина носа

короткий

x 4

разрез глаз

цвет глаз

форма подбородка

остроконечный

квадратный

x 7

толщина губ

цвет лица

очертание лица

овальное

квадратное

Для конкретного лица А эксперт, исходя из приведенной шка-лы, задает μ A (х) ϵ , формируя векторную функцию принад-лежности { μ A (х 1 ) , μ A (х 2 ),…, μ A (х 9) }.

При прямых методах используются также групповые прямые методы, когда, например, группе экспертов предъявляют конкрет-ное лицо и каждый должен дать один из двух ответов: «этот че-ловек лысый» или «этот человек не лысый», тогда количество утвердительных ответов, деленное на общее число экспертов, дает значение μ лысый (данного лица). (В этом примере можно действо-вать через функцию совместимости, но тогда придется считать число волосинок на голове у каждого из предъявленных эксперту лиц.)

Косвенные методы определения значений функции принад-лежности используются в случаях, когда нет элементарных из-меримых свойств, через которые определяется интересующее нас нечеткое множество. Как правило, это методы попарных сравне-ний. Если бы значения функций принадлежности были нам из-вестны, например, μ A (х- i ) = ω i , i = 1, 2, ..., n ,то попарные срав-нения можно представить матрицей отношений А = { a ij }, где a ij = ω i / ω j (операция деления).

На практике эксперт сам формирует матрицу А , при этом пред-полагается, что диагональные элементы равны 1, а для элемен-тов симметричных относительно диагонали a ij = 1/a ij , т.е. если один элемент оценивается в α раз сильнее, чем другой, то этот по-следний должен быть в 1/α раз сильнее, чем первый. В общем случае задача сводится к поиску вектора ω, удовлетворяющего уравнению вида Aw = λ max w , где λ max — наибольшее собствен-ное значение матрицы А . Поскольку матрица А положительна по построению, решение данной задачи существует и является поло-жительным.

Можно отметить еще два подхода:

  • использование типовых форм кривых для задания функций принадлежности (в форме (L-R)-Типа - см. ниже) с уточнением их параметров в соответствии с данными эксперимента;
  • использование относительных частот по данным экспе-римента в качестве значений принадлежности.

При этом, выполняются следующие соотношения

Чтобы с помощью можно было сравнивать нечеткие множества , имеющие различные носители, надо нормировать , потребовав, чтобы для любого множества мера нечеткости не превышала какой-то определенный порог, например, 1. Нормированное расстояние между нечетким множеством и ближайшим к нему обычным множеством называют индексом нечеткости и обозначают .

В таблице 6.3 приведены основные формулы вычисления индекса нечеткости. - обычное множество, ближайшее к нечеткому множеству , – характеристическая функция множества , вычисляемая по формуле (6.7) .

Основные формулы вычисления индексов нечеткости множеств

Таблица 6.3.
Вид метрики Вид множества
– дискретное множество, число его элементов - непрерывное множество
Линейное расстояние Хемминга
Евклидово расстояние

Пример 6.9

Для множеств и примера 6.1 рассчитаем в MathCad индексы нечеткости, , используя метрику Евклида и по метрике Хемминга..

Индексы нечеткости по Евклиду и по Хеммингу для множеств и :

6.7 Экспертные оценки методом нечетких множеств

В процессе принятия решений по вопросам управления организациями достаточно часто прибегают к методу экспертных оценок. Суть метода состоит в следующем: эксперты анализируют проблему, давая количественную оценку характеристикам объектов, в дальнейшем полученные результаты обрабатываются, и на основании анализа мнений группы экспертов принимается решение проблемы.

В такой процедуре возникает, по крайней мере, две проблемы, связанные между собой.

Первая - при оценке объектов эксперты обычно расходятся во мнениях по решаемой проблеме. В связи с этим возникает необходимость оценить степень согласия экспертов количественно. Получение количественной меры согласованности позволяет более обосновано интерпретировать причины расхождений. Вторая - выбор лучшей альтернативы из имеющихся на основе агрегации результатов или, как говорят, свертки с учетом веса мнения эксперта или весомости критерия. Для получения более адекватных оценок в данном анализе можно использовать аппарат теории нечетких множеств. Автором Назаровым Д.М. разработана методика для решения таких задач.

Методика Назарова

Если имеется универсальное множество U, элементы которого имеют неоднозначную составляющую, можно построить нечеткое подмножество множества и рассмотреть его характеристическую функцию . Если близко к значению 1 или 0, то вклад элемента в нечеткость множества мал. И наоборот, если близко к значению 0,5 (значительно отличается как от 1, так и от 0), то его вклад в нечеткость будет значителен. Таким образом, вклад в нечеткость каждого элемента множества определяется близостью или отдаленностью значения функции принадлежности на этом элементе к числам 1 и 0, а мера нечеткости всего множества определяется как сумма вкладов каждого его элемента. Чтобы сравнивать нечеткие множества , имеющие различные носители, надо их нормировать. Представляя имеющиеся данные в виде нормированных нечетких множеств, можно анализировать их с использованием индексов нечеткости. Для вычисления индекса нечеткости , надо построить ближайшее к нечеткому множество с функцией принадлежности (см. 6.6) и рассчитать нормированное расстояние по Хэммингу (см. 6.7).

Таким образом, чтобы ответить на вопрос: "Какое из двух множеств "более нечетко"?", надо вычислить и сравнить индексы нечеткости этих множеств. "Более нечетким" является то множество, которое имеет больший индекс нечеткости.

Рассмотрим предложенную методику на примере задачи.

Задача 6.1

Пусть имеются данные экспертных оценок по ряду вопросов. Были поставлены 10 вопросов, 30 экспертов давали оценки по 10- бальной системе. Требуется обработать результаты анкетирования на предмет согласованности оценок. По каким вопросам были даны наиболее согласованные оценки. С другой стороны, какие эксперты были более определенны в своих оценках. Для решения используем методику Назарова.

Постановка задачи

Неоднозначность оценок вызвана с одной стороны, может быть, нечеткой постановкой вопросов, с другой, стороны, у каждого эксперта свое видение проблемы. Учитывая неоднозначность оценок экспертов, будем рассматривать массив данных как множество , для которого построим нечеткое подмножество с характеристической функцией . Проведем анализ нечеткого множества по методике Назарова. Для этого рассчитаем индексы нечеткости множеств оценок экспертов и сравним их. При этом, задача распадается на две:

Задача 6.1.1

Определить индексы нечеткости множеств оценок всех экспертов по каждому вопросу и, тем самым, выявить самые неоднозначные вопросы, при ответе на которые мнения экспертов максимально расходились.

Задача 6.1.2

Определить индексы нечеткости множеств оценок по всем вопросам каждого эксперта и выявить, какой эксперт давал наиболее неоднозначные ответы,

Решение задачи 6.1.1.

Представим решение в системе MathCad. Используем матричное представление данных .

    Представляем множество оценок в виде матрицы . Имеем массив оценок по 10- бальной системе: по 10 вопросам (столбцы) 30 экспертов (строки).

    Оценки 30 экспертов:

    Построим функцию принадлежности . нечеткого множества оценок при ответах экспертов на каждый вопрос следующим образом:

    • Подсчитаем частоту различных оценок при ответе на каждый вопрос:

      Матрица частоты оценок :

      Подсчитаем доли различных оценок при ответе на каждый вопрос. Таким образом, мы выявим степени принадлежности каждой оценки к множеству оценок по рассматриваемому вопросу. Для этого значения каждой ячейки предыдущей таблицы разделим на 30 – по количеству экспертов (Рис.6.14).

      Нечеткое множество экспертных оценок :

      Нормируем значения предыдущей таблицы, разделим их на максимальное значение по каждому столбцу. При этом максимальное значение степени принадлежности каждой оценки нечеткому множеству оценок при ответе экспертов на каждый вопрос станет равным единице, и мы получим значения функции принадлежности оценок.

      Нормированное нечеткое множество экспертных оценок :

    Нами получено нечеткое множество оценок экспертов по каждому вопросу Построим четкое множество, ближайшее к рассматриваемому нечеткому множеству - = . Применим условную функцию .

    Множество , ближайшее к рассматриваемому нечеткому множеству:

    Рассчитаем индекс нечеткости по линейной метрике (расстояние по Хэммингу) по формуле: .

    Для этого:

    Отклонения – расстрояние по Хэмингу