5. Размытость и вероятность
Интуитивно чувствуется сходство понятий размытости и вероятности. |3адачи, в которых они используются, похожи или совпадают. Это те зада-|та, где встречается неопределенность, являющаяся следствием случайных Цфакторов, неточности нашего знания либо принципиальной невозможности |или ненужности получения точных решений. Сходство подчеркивается |также и тем, что интервалы изменения степени принадлежности размы-Цчому множеству ц^ [0, 1] и вероятности р^ [0, 1] совпадают. Однако Цнежду понятиями размытости и вероятности имеются и существенные раз-||личия.
| Вероятность является объективной характеристикой; выводы теории ^^вероятностей, вообще говоря, могут быть проверены на опыте.
| Степень же принадлежности определяется субъективно, хотя при этом Цестественно меньшую степень принадлежности приписывать тому событию, Цйоторое, будучи рассмотрено с вероятностных позиций, имело бы меньшую ^.вероятность появления.
I Операции, применяемые в теории размытых множеств (например, отыскание максиминов и минимаксов), имеют специальный вид и отлича-|,11)гся от операций, применяемых при вероятностном подходе. Проверкой Щже методов теории размытых множеств можно считать успешную работу Цустройств классификации, обучения, управления и т. п., созданных на основании теории размытых множеств (см. об этом в разделе 2, о сходимости размытых алгоритмов). Таким образом, об эффективности применения ме-|юдов теории размытых множеств можно судить лишь тогда, когда будет построено на базе этой теории достаточное количество работающих стройств.
Известно (см., например, [45]), что теорию вероятностей можно гроить как аксиоматическую теорию, в основу которой пбложены три аксиомы, совпадающие с соответствующими аксиомами теории меры. В ра-оте [5] сделана теоретическая попытка обобщить для размытых множеств екоторые положения аксиоматической теории вероятностей, введя поня-ве размытого события. \
Если А — случайное событие, то в аксиоматической теории вероятность ч(А) трактуется как мера А и вычисляется при помощи выражения
э, что то же самое,
5.2) р(А)=|/л(ж)^=Д(/А),
яд
Е" — евклидово п-мерное пространство; /л (ж) — характеристическая
Автоматика и телемеханика, М 5
функция события А такая, что /л (ж) : Е" -- {0, 1}, а Е (/л) — математическое ожидание функции /л (х).
Выражение (5.2) обобщается для размытых событий. Размытое событие А в Е" определяется характеристической функцией (аа:д"^- [0, 1]у которая ассоциирует некоторому а: в Я" его степень принадлежности р.А(ж) множеству А. Вероятность размытого события А определяется интегралом Лебега — Стильтьеса
(5.3) р(А)-|иА(ж)^=ДМ
ел
как математическое ожидание функции принадлежности р-лСс).
Приведенное определение размытого события и его вероятности образуют основу, на которой в теории размытых множеств обобщаются некоторые понятия и результаты теории вероятностей и теории информации. В [5] изучаются некоторые простые свойства размытых событий (теоретико-множественные и булевы операции, измеримость по Борелю, условная вероятность, вычисление моментов разных .порядков). В заключение приводится выражение
(5.4) ЯР(А)=-^^^А(.с^)р^1ов^»„
1_1
где Р = {р1, рц ..., рп} ~ распределение вероятностей. Это выражение позволяет обобщить понятие энтропии для размытого события.
Энтропия НР(А) интуитивно может интерпретироваться как неопределенность, ассоциированная с размытым событием А. В работе [61] понятие энтропии определяется иначе, без использования вероятностей:
(5.5) Я(^)=-/с^^(ж<)1пц(ж.).
<=>!
Этот функционал рассматривается не как мера вероятностной информации, а как некоторая внутренняя, присущая системе характеристика, которая позволяет получить меру неопределенности, относящуюся к ситуациям, описываемым размытыми множествами. Делаются предположе- :
ния о применимости этих идей к автоматической классификации. '
В работах [60, 62] изучаются вероятностные автоматы и события. Связь с теорией размытых множеств состоит лишь в том, что множество вероятностных событий рассматривается здесь как подмножество множества размытых событий. Доказывается утверждение, что постоянное размытое событие (т. е. событие, для элементов которого значение функции принадлежности есть константа) есть вероятностное событие, представимое в
вероятностных автоматах.
В работах, [63, 64] идеи теории размытых множеств применяются для
построения нового метода группировки и численной классификации. Но-'| визна этого метода состоит в том^ что некоторые существующие методы | классификации, использующие вероятностный подход, а именно те, в которых результат разбиения на классы зависит от плотности распределения ;
Р (х), обобщаются на случай, когда элемент х может принадлежать с опре-;
деленной степенью принадлежности р.8((ж) одновременно нескольким раз-] мытым классам 8ц, т. е. на случай, когда классификация является размы-| той. Преимущества размытой группировки над обычными способами особенно проявляются при наличии известной «некомпактности» классифици* руемых групп, т. е. при наличии разброса отдельных точек, перешейков? между разделяемыми группами, при линейной несепарабельности групи;
и т. п. ' Классификация размытых множеств состоит в представлении функци
плотности вероятности Р (ж) заданного множества Х == {х^ ж;, .. •, х^} 82
(/л) — математиче-
N п
жество групп: Р(ж) - V Р(8,)Р (х/8,), где р (8,) = V Р (ж.) Р (5/ж.).
«—1 *=1
Здесь Л^ — фиксированное количество групп, известное заранее, Р (а;г) — вероятность появления х^Х в соответствии с распределением Р(.х), Р(8^/Хг) —степень принадлежности элемента Хг размытому множеству 5',,.
N
При этом должны удовлетворяться условия \ Р(8,/х)=1, Р{8,/х) ^0.
]-1
Сомножители Р (х / 8,) в (5.6) определяются выражением
^-"(^ (,-1,2,...Д,
^(^а) .
Разложение должно быть таким, чтобы множество {Р(8,/ х)} (/' = 1, 2, ..., Л^) действительно соответствовало множеству групп. Для этого необходимо выполнение условия оптимальности
7({Р(5,/Ж() |/ = 1, 2, ..., Л^; ж. е X}) = тш,
где I — функционал, определенный над всеми различными размытыми группировками.
Для различных видов функционалов и ограничений в [64] строятся численные методы и вычислительные процедуры классификации, которые сравниваются между собой. Приведен значительный экспериментальный материал. Работа представляет собой один из примеров применения понятий и методов теории размытых множеств для построения конкретных вычислительных процедур. I .
Настоящий обзор можно заключить следующими цитатами из работа [14], в которых Задэ высказывает свою точку зрения на область применения и перспективы методов теории размытых множеств:
«Я считаю, что излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются н^ тех и только тех проблемах, которые поддаются точному решению. В результате многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне по той причине, что они не поддаются математической трактовке. Для того чтобы сказать что-либо существенное для проблем подобного рода, мы должны отказаться от наших требований точности и допустить результаты, которые являются несколько размытыми или неопределенными» ([14],стр.2).
«В последующие годы размытые алгоритмы и стратегии управления будут завоевывать, хотя, возможно, и против желания, все большее признание. Они должны быть приняты и должны приобрести некоторую респектабельность, так как обычные неразмытые алгоритмы не могут, в общем случае, справиться со сложностью и плохой определенностью больших ^систем. Для того чтобы создать благоприятную среду для развития размытых алгоритмов, теория управления должна меньше значения придавать математической строгости и точности и больше заботиться о развитии качественных и приближенных решений насущных проблем реального мира. Такая теория может оказаться гораздо богаче и увлекательнее, чем теория управления в настоящее время» ([ 14], стр. 2).
Постудила в редакцию 27 ноября 1972 г.