模糊数学基本知识
第2讲 模糊数学方法解析
22
2020年9月23日
三、模糊聚类分析方法
1. 数据标准化 (1)获取数据
设论域U {x1, x2 ,, xn}为所需分类的对象，每个对象又
由 m 个指标表示其性态，即 xi {xi1, xi2 ,, xim }(i 1,2,, n) ，
则 A
xij
．
nm
(2) 数据的标准化处理
定义 2 设模糊集 A, B F(U ) ，其隶属函数为 A (x), B (x) , (1) 若 x U ，有 B (x) A (x) ，则称 A 包含 B ，记 B A；
(2) 若 A B 且 B A，则称 A 与 B 相等，记为 B A ．
定义 3 设模糊集 A, B F(U ) ，其隶属函数为 A (x), B (x) , 则称 A B 和 A B 为 A 与 B 的并集和交集；称 Ac 为 A 的补集
的过渡点，即是模糊性最大的点．
5
2020年9月23日
一、模糊数学的基本概念
2. 模糊集与隶属函数 (1) 模糊集与隶属函数的定义
对一个确定的论域U 可以有多个不同的模糊集，记 U 上的模糊集的全体为 F (U ) ，即
F(U ) {A | A : U [0,1]}
则 F (U ) 就是论域U 上的模糊幂集，显然 F (U ) 是一个 普通集合，且U F(U ) ．
19
2020年9月23日
二、模糊关系与模糊矩阵
3. λ－截矩阵与传递矩阵
定义 8 设 R (rij )mn 为模糊矩阵，对任意的 [0,1] ．
(1)
如果令 rij ()
1, rij 0, rij
i 1,2,, m j 1,2,, n
第一节模糊数学基本知识 数学建模
第一节模糊数学基本知识一、模糊子集及其运算在经典集合论中，一个元素对于一个集合，要么属于，要么不属于，二者必居其一，绝不允许模棱两可。
这一要求就从根本上限定了以经典集合论为基础的常规数学方法的应用范围，它只能用来研究那些具有绝对明确的界限的事物和现象。
但是，在现实世界中，并非所有事物和现象都具有明确的界限。
譬如，“高与矮”，“好与坏”，“美与丑”，……，这样一些概念之间就没有绝对分明的界限。
严格说来，这些概念就是没有绝对的外延，这些概念被称之为模糊概念，它们不能用一般集合论来描述，而需要用模糊集合论去描述。
(一)模糊子集及其表示方法1.模糊子集(1)隶属函数：在经典集合论中，一个元素x和一个集合A之间的关系只能有Ax∉这两种情况。
集合可以通过其特征来刻划，每一个集合A都有x∈或者A一个特征函数C A(x)，其定义如下：(1)式所表示的特征函数的图形，如图9-1所示。
由于经典集合论的特征函数只允许取0与1两个值，故与二逻辑值｛0，1｝相对应。
模糊数学是将二值逻辑｛0，1｝拓广到可取[0，1]闭区间上任意的无穷多个值的连续值逻辑。
因此，也必须把特征函数作适当的拓广，这就是隶属函数μ(x)，它满足：0≤μ(x)≤1 (2)(1)式也可以记作μ(x)∈[0，1]，一般情形下，其图形如图9-2所示。
(2)模糊子集的定义：1965年，查德首次给出了模糊子集的如下定义：设U 是一个给定的论域(即讨论对象的全体范围)，μA：x→[0，1]是U到[0，1]闭区间上的一个映射，如果对于任何x∈U，都有唯一的μA(x)∈[0，1]与之对应，则该映射便给定了论域U上的一个模糊子集，μA称做的隶属函数，μA(x)称做x对的隶属度。
2.模糊子集的表示方法通过上述关于模糊子集的定义可以看出，一个模糊子集完全由其隶属函数所刻划。
因此，模糊子集通常有以下几种表示方法：=[μ1，μ2，…，μ(3)n]在(3)式中，μi∈[0，1](i=1，2，…，n)为第i个元素x i对的隶属度。
模糊数学基础知识
1 1A1 = u3 0.8 0.8 0.8A0.8 = + u3 u4 0.5 0.5 0.5 0.5A0.5 = + + u2 u3 u4 0.4 0.4 0.4 0.4 0.4A0.4 = + + + u1 u2 u3 u4 0.2 0.2 0.2 0.2 0.2 0.2A0.2 = + + + + u1 u2 u3 u4 u5
200669中科院寒旱所遥感室51976年传入我国1980年成立中国模糊数学与模糊系统学会1981年创办模糊数学杂志1987年创办模糊系统与数学杂志我国已成为全球四大模糊数学研究中心之一美国西欧日本中国200669中科院寒旱所遥感室6集合是现代数学的基础概念模糊集合是集合的发展是模糊数学的基础经典集合论任意元素和任意一个集合之间的关系是属于和不属于的
交流学习
模糊数学基础
王建宏
2006-6-9
中科院寒旱所遥感室
1
提
纲
模糊集概念 隶属函数确定 模糊关系 模糊综合评判 实例介绍
2006-6-9
中科院寒旱所遥感室
2
1、模糊集
模糊集理论 美国加州大学 控制专家 L.A. Zadeh 1965年开创
2006-6-9
中科院寒旱所遥感室
3
1、模糊集
L-模糊集 L-直觉模糊集
定义：设A∈F(U), λ∈[0,1] 则： (1)
Aλ = {u | u ∈ U , A(u ) ≥ λ}
第2章模糊数学基础
A A A a A , a A , , a , 12 r 1 1 2 2 rA r
由两个集合X和Y，各自的元素xX，yY构成序偶（x，y） 的集合称为集合X和Y的直积。 X Y
x 1 y X Y 1 x n
2019/2/16
பைடு நூலகம்
xy xy 11 1 2 xy 2 1 xy 2 2 y m xy n 1 xy n 2
[例2－2] 用序偶法在论域U＝1，2，3，4，5，6，7，8， 9，10中讨论“几个”这一模糊概念。 [解]
F ( 1 , 0 ) , ( 2 , 0 ) , 3 , 0 . 2 , 4 , 0 . 7 , 5 , 1 , 6 , 1 , 7 , 0 . 7 , 8 , 0 . 3 , 9 , 0 , ( 1 0 , 0 )
S 3 , 0 . 2 , 4 , 0 . 7 , 5 , 1 , 6 , 1 , 7 , 0 . 7 , 8 , 0 . 3
20
2019/2/16
3）向量表示法 将论域U中的隶属度F(ui)用来表示模糊集合F，则：
F F u , F u ,, F u 1 2 n
F u F u F u 1 2 n F u u u 1 2 n
用扎德法在论域U＝1，2，3，4，5，6，7，8，9， [例2－1] 10中讨论“几个”这一模糊概念。
0 0 0 . 2 0 . 7 1 1 0 . 7 0 . 3 0 0 [解] F 1 23 45 67 89 1 0
2019/2/16
11
（3）关系矩阵 二元关系R可用二维关系矩阵表示 设X = x ,,, x , Y y ,,, y , 1 2 x n 1 2 y m R是由X到Y的关系，则关系矩阵R的第i行第j列上的元素 rij定义为
模糊数学基本概念
模糊数学是一种处理模糊和不确定性问题的数学方法，它基于模糊集合理论，用于描述和处理无法精确量化的概念和现象。
以下是模糊数学的一些基本概念：
模糊集合：模糊集合是一种将不确定性或模糊性引入集合概念的数学工具。
与传统的集合不同，模糊集合中的元素具有一定的隶属度，表示元素与集合的模糊关系。
隶属函数：隶属函数是模糊集合中元素与集合的隶属度之间的映射关系。
它描述了元素在模糊集合中的程度或概率。
模糊关系：模糊关系是一种描述模糊集合之间的关系的数学工具。
它反映了元素之间的模糊连接或模糊相似性。
模糊逻辑：模糊逻辑是一种处理模糊命题和推理的逻辑系统。
它扩展了传统的二值逻辑，允许命题具有模糊的真值或隶属度。
模糊推理：模糊推理是一种基于模糊规则和模糊推理机制进行推理和决策的方法。
它能够处理模糊的输入和输出，并提供模糊的推理结果。
模糊数学运算：模糊数学中存在一系列的运算，包括模糊集合的并、交、补运算，模糊关系的复合运算等。
这些运算用于处理模糊集合和模糊关系的操作。
模糊控制：模糊控制是一种应用模糊数学方法进行控制的技术。
它通过模糊逻辑和模糊推理实现对复杂系统的控制，具有适应性和容错性的特点。
以上是模糊数学的一些基本概念，它们构成了模糊数学理论的基础，被广泛应用于人工智能、决策分析、模式识别、控制系统等领域。
模糊数学
模糊性与随机性的区别
事物 事物分确定性现象与非确定性现象
- 确定性现象：指在一定条件下一定会发生的现象
- 非确定性现象分随机现象与模糊现象
* 随机性是对事件的发生而言，其事件本身有着明确的含义， 只是由于发生的条件不充分，事件的发生与否有多种可能性 * 模糊性是研究处理模糊现象的，它所要处理的事件本身是模 糊的
A : U {0,1} u A ( u),
其中
1, u A A ( u) 0, u A
函数 A 称为集合A的特征函数。
Ⅱ、模糊集合及其运算
美国控制论专家Zadeh教授正视了经典集合描述的 “非此即彼”的清晰现象，提示了现实生活中的绝大多数 概念并非都是“非此即彼”那么简单，而概念的差异常以 中介过渡的形式出现，表现为“亦此亦彼”的模糊现象。
ab ab a b ,a b 1 ab 1 (1 a )(1 b)
模糊集的并、交、余运算性质 幂等律：A∪A = A， A∩A = A； 交换律：A∪B = B∪A，A∩B = B∩A； 结合律：(A∪B)∪C = A∪(B∪C)， (A∩B)∩C = A∩(B∩C) ； 吸收律：A∪(A∩B) = A，A∩( A∪B)= A； 分配律：(A∪B)∩C = (A∩C)∪(B∩C)； (A∩B)∪C = (A∪C)∩(B∪C)； 0-1律： A∪U = U，A∩U = A； A∪ = A，A∩ = ； 还原律： (Ac)c = A ；
模糊集合及其运算
u0 是固定的，而 A* 在随机变动。 特点：在各次试验中，
模糊统计试验过程：
（1）做n次试验，计算出
x 140 A( x) 190 140
也可用Zadeh表示法：
第四章 模糊数学
（可多位专家取其平均值，如体操比赛打分） 3 描点( xi， A ( xi ))，作出 A ( xi )的曲线。
例2：考虑年龄论域X 上的模糊子集A 青年人的年龄， 请专家评定结果如表：
0-14 0
15 18-28 30 35 38 40 45-200 0.5 1 0.9 0.6 0.5 0.3 0
A ( x4 ) 0，则有：
1 0.6 0.1 0 A （最后一项可不写） x1 x2 x3 x4
3、隶属函数的确定 这里介绍两种常用的确定方法，以R1中的模糊 集为例： （1）专家评定法（德尔菲法） 步骤： 1 给定论域X 及其模糊子集A； 2 适当选取X 中若干点xi，请专家评定其 A ( xi )；
第四章 模糊数学(Fuzzy Maths)
第一节 模糊集(Fuzzy Sets)
一、模糊现象与模糊集
有些概念，其外延是清楚的，如男人、女人。
而有些概念，其外延不很清楚，如青年人、老年人。 于是我们有如下定义： 模糊集—边界不清楚的集合。 例如：
雨天是清晰集（普通集），而晴天是模糊集；
青年人、老年人也是模糊集。 事实上，“青年”变为“老年”是一个连续的 过程。因此，处于中间过渡阶段年龄的人，自然就 具有“亦此亦彼”的属性。我们把这种属性称为：
书159～161页给出了一个模糊统计的例子。 有时候我们得到的 A ( x)的图形是不规则的，很难
写出其精确的数学表达式。有时为了计算、编程的需 要，我们希望得到 A的函数表达式，可根据估计的 A
进行适当修正，得到与其最接近的函数表达式。下面 介绍几种常见的模糊分布曲线： 4、几种常见的 A ( x)类型（论域为R1）：
模糊数学基本理论及应用
例 设 X ={1, 2, 3, 4}, Y ={ 2, 3, 4}, Z = {1, 2, 3}, R1 是 X 到 Y 的关系, R2 是Y 到 Z 的关系, R1 ={(x, y) | x + y = 6} = {(2,4), (3,3), (4,2)}, R2 ={(x, y) | y – z = 1} = {(2,1), (3,2), (4,3)}, 则R1与 R2的合成
ห้องสมุดไป่ตู้
关系的三大特性： 设R为 X 上的关系 (1) 自反性：若 X 上的任何元素都与自己有 关系R，即R (x , x) =1，则称关系 R 具有自反性； (2) 对称性：对于X 上的任意两个元素 x , y， 若 x 与y 有关系R 时，则 y 与 x 也有关系R，即 若R (x , y ) =1，则R ( y , x ) = 1，那么称关系R具 有对称性； (3) 传递性：对于X上的任意三个元素x, y, z， 若x 与y 有关系R，y 与z 也有关系R 时，则x与z 也有关系R，即若R (x , y ) = 1，R ( y , z ) =1，则 R ( x , z ) = 1，那么称关系R具有传递性.
第1章 模糊集的基本概念
模糊数学是研究和处理模糊性现象的数学方 法. 众所周知，经典数学是以精确性为特征的.
然而，与精确形相悖的模糊性并不完全是消极的、 没有价值的. 甚至可以这样说，有时模糊性比精确性还 要好. 例如,要你某时到某地去迎接一个“大胡子高个子 长头发戴宽边黑色眼镜的中年男人”. 尽管这里只提供了一个精确信息――男人，而其他 信息――大胡子、高个子、长头发、宽边黑色眼镜、中 年等都是模糊概念，但是你只要将这些模糊概念经过头 脑的综合分析判断，就可以接到这个人. 模糊数学在实际中的应用几乎涉及到国民经济的各 个领域及部门，农业、林业、气象、环境、地质勘探、 医学、经济管理等方面都有模糊数学的广泛而又成功的 应用.
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一．模糊数学的基础知识1．模糊集、隶属函数及模糊集的运算。
普通集合A，对，有或。
如果要进一步描述一个人属于年轻人的程度大小时，仅用特征函数就不够了。
模糊集理论将普通集合的特征函数的值域推广到[0，1]闭区间内，取值的函数以度量这种程度的大小，这个函数（记为）称为集合的隶属函数。
即对于每一个元素，有[0,1]内的一个数与之对应。
（1）模糊子集的定义：射给定论域U，U到[0，1]上的任一映射：都确定了U上的一个模糊集合，简称为模糊子集。
称为元素属于模糊集的隶属度。
映射所表示的函数称为隶属函数。
例如：设论域U=[0，100]，U上的老年人这个集合就是模糊集合：若在集合U上定义了一个隶属函数，则称为模糊集。
（2）模糊集合的表示：，称为元素属于模糊集的隶属度；则模糊集可以表示为：。
或，，（3）模糊集合的运算：，，并集：，交集：，补集：，包含：，2．模糊集的截集已知U上模糊子集对，则称为模糊集的-截集；称为模糊集的-强截集；称为、的置信水平或阀值。
二．模糊数学的基本定理1．模糊截积：已知U上模糊子集对，也是U上模糊集，其隶属函数为：；称为为与的模糊截积。
2．分解定理1：已知模糊子集，则推论1：对3．分解定理2：已知模糊子集，则推论2：对三．模糊关系与模糊聚类1．模糊关系与模糊关系的合成（1）模糊关系普通集合的经典关系，模糊关系：从U到V 上的一个模糊关系：，表示具有的关系程度，。
（满足01）称为U 到V 上的一个模糊关系的模糊矩阵。
（2）．设＝和=为两个模糊矩阵，令＝，＝1，2，…,,=1,2,…,。
则称矩阵=为模糊矩阵与的褶积，记为＝,其中“”和“”的含义为显然，两个模糊矩阵的褶积仍为模糊矩阵2. 模糊等价矩阵及其矩阵设方阵为以模糊矩阵，若满足=则称为模糊等价矩阵。
模糊等价矩阵可以反映模糊分类关系的传递性，即描述诸如“甲像乙，乙像丙，则甲像丙”这样的关系。
设＝为一个模糊等价阵，01为一个给定的数，令则称矩阵为的截阵例如，＝为一个模糊等价阵，取0.4<,则=若取，则=2．模糊聚类：模糊划分的概念最早由Ruspini提出，利用这一概念人们提出了多种聚类方法，比较典型的有：基于相似性关系和模糊关系的方法(包括聚合法和分裂法)，基于模糊等价关系的传递闭包方法、基于模糊图论最大树方法，以及基于数据集的凸分解、动态规划和难以辨识关系等方法. 然而由于上述方法不适用于大数据量情况，难以满足实时性要求高的场合，因此其实际的应用不够广泛，故在该方面的研究也就逐步减少了. 实际中受到普遍欢迎的是基于目标函数的方法，该方法设计简单、解决问题的范围广，最终还可以转化为优化问题而借助经典数学的非线性规划理论求解，并易于计算机实现. 因此，随着计算机的应用和发展，该类方法成为聚类研究的热点.（1）模糊聚类的基本概念模糊聚类目标函数的演化模糊聚类方法模糊聚类法和一般的聚类方法相似，先将数据进行标准化，计算变量间相似矩阵或样品间的距离矩阵，将其元素压缩到0与1之间形成模糊相似矩阵，进一步改造为模糊等价矩阵，最后取不同的标准，得到不同的截阵，从而就可以得到不同的类。
具体步骤如下：第一步：数据标准化1.数据矩阵设论域为被分类的对象，每个对象又由个指标表示其性状：（）于是得到原始数据矩阵为2.数据标准化在实际问题中，不同的数据一般有不同的量纲。
为了使有不同的量纲的量也能进行比较，通常需要对数据作适当的变换。
但是，即使这样得到的数据也不一定在区间[0，1]上。
因此，这里所说的数据标准化，就是要根据模糊矩阵的要求，将数据压缩到区间[0,1]上。
通常需要作如下变换：（1）平移·标准差变换：（）其中。
经过变化后，每个变量的均值为0，标准差为1，且消除了量纲的影响。
但是，这样得到的还不一定在区间[0,1]上。
（2）平移·级差变换（）显然有，而且也消除了量纲的影响。
第二步：标定（建立模糊相似矩阵）设论依照传统的方法确定相似系数，建立模糊相似矩阵，与的相似程度。
可根据问题的性质，选取下列公式之一计算1. 数量积法其中显然，若中出现负值，也可采用下面的方法将压缩在[0,1]上令，则。
当然也可用上述的平移·级差变换。
2．夹角余弦法＝若将变量的个观测值与变量的相应个观测值看成维空间中的两个向量，正好时这两个向量夹角的余弦。
3.相关系数法从统计角度看，两个随机变量的相关系数是描述这两个变量关联性（线性关系）强弱的一个很有用的特征数字。
因此，用任意两个变量的个观测值对其相关系数的估计可作为两个变量关联性的一种度量，其定义为＝，其中（＝1，2，…,）见（＝，＝1，2，…, ，）。
（1）其实就是＝的样本相关矩阵中的各元素。
4．指数相似系数法，其中，而需要注意的是，相关系数法与指数相似系数法中的统计指标的内容是不同的。
5．最大最小法6．算术平均最小法7．几何平均最小法（上述5，6，7三种方法均要求，否则也要做适当变换）8．绝对值减数法适当选取，使得0。
9．绝对值倒数法其中适当选取，使得0。
10．绝对值指数法11．距离法其中为适当选取的参数，它使得0，经常采用的距离有（1）绝对距离（）.（2）欧式距离：（）（3）Chebishov距离：（）.12．主观评分法：请有实际经验者直接对与的相似程度评分，作为的值。
上述方法究竟选哪一种，需要根据问题的性质及应用方便来选择。
第三步：进行模糊聚类1．基于模糊等价矩阵聚类方法一般来说。
上述模糊矩阵是一个模糊相似矩阵，不一定具有等价性，即不一定是模糊等价矩阵。
这可以通过模糊矩阵的褶积将其转化为模糊等价阵，具体方法如下：计算,,,…,直到满足这时模糊矩阵便是一个模糊等价矩阵。
记。
将按由大到小的顺序排列，从＝1开始，沿着由大到小的次序依次取＝，求的相应的截阵，其中元素为1的表示将其对应的两个变量（或样品）归为一类，随着的变小，其合并的类越来越多，最终当＝时，将全部变量（或样品）归为一个大类。
按值画出聚类的谱系图2．直接聚类法所谓直接聚类法是指：在建立模糊相似矩阵之后，不去求传递闭包，直接从相似矩阵出发，求得聚类图。
其步骤如下：（1）取＝1（最大值），对每个作相似类:={|},即将满足的与放在一类，构成相似类。
相似类与等价类的不同之处是，不同的相似类可能有公共元素，即可出现={,},={,},[][].此时只要将有公共元素的相似类合并，即可得＝1水平上的等价分类。
（2）取为次大值，从中直接找出相似程度为的元素对（，）（即），相应的将对应于＝1的等价分类中所在类与所在类合并，将所有这些情况合并后，即得对应的等价分类。
（3）取为第三大值，从中直接找出相似程度为的元素对（，）（即），类似的将对应于的等价分类中所在类与所在类合并，将所有这些情况合并后，即得对应的等价分类。
(4)依次类推，直到合并到成为一类为止。
直接聚类法与传递闭包法所得的结果是一致的，直接聚类法要明显简单一些，下面再介绍直接聚类法的图形化方法，即最大树法。
所谓最大树法，就是画出以被分类元素为顶点，以相似矩阵的元素为权重的一棵最大的树，取定，去掉权重低于的枝，得到一个不连通的图，各个连通的分支便构成了在水平上的分类。
下面介绍求最大树的Kruskal法设，先画出所有顶点从模糊相似矩阵中按从大到小的顺序依次画枝，并标上权重，要求不产生圈，直到所有顶点连通为止，这就得到一棵最大树（最大树可以不唯一）。
上述两个聚类方法各有优劣，使用传递闭包法分类，当矩阵阶数较高时，手工计算量大，但在计算机上还是容易实现的，因此，人们还是乐于使用它。
当矩阵阶数不高时，直接聚类法比较直观，也便于操作，适合推广使用。
最佳阙值的确定在模糊聚类分析中，对于各个不同的，可得到不同的分类，从而形成一种动态聚类图，这对全面了解样本的分类情况是比较形象和直观的。
但许多实际问题需要选择某个阙值的问题。
现介绍下面两种方法。
1. 按照实际需要，在动态聚类图中，调整的值以得到适当的分类，而不需要事先准确地估计好样本应分为几类。
当然，也可由具有丰富经验的专家结合专业知识来确定阙值，从而得出在水平上的等价分类。
2. 用统计量确定最佳值设论域为样本空间（样本总数为），而每个样本有个特征（即由试验或观察得到的个数据）；＝（）（）。
于是，得到原始数据矩阵，如下表所示样本指标1 2 ……··…………··…·………··…·……………其中，（），称为总体样本的中心向量。
设对应于值的分类数为，第类的样本数为，第类的样本记为：，第类的聚类中心为向量＝（，，…, ），其中，为第个特征向量的平均值：＝（）作统一量其中为与的距离，为第类样本与中心的距离，称式（*）为统一量。
它的分子表征类与类之间的距离，分母表征类样本间的距离。
因此，值越大，说明分类越合理，对应统一值最大的阙值为最佳值。
（二）．模型实例分析例：设某地区设置有11个雨量站，其分布图见图5－1，10年来各雨量站所测得的年降雨量列入表5－1中。
现因经费问题，希望撤销几个雨量站，问撤销那些雨量站，而不会太多的减少降雨信息？图1表1年序号1 276 324 159 413 292 258 311 303 175 243 3202 251 287 349 344 310 454 285 451 402 307 4703 192 433 290 563 479 502 221 220 320 411 2324 246 232 243 281 267 310 273 315 285 327 3525 291 311 502 388 330 410 352 267 603 290 2926 466 158 224 178 164 203 502 320 240 278 3507 258 327 432 401 361 381 301 413 402 199 4218 453 365 357 452 384 420 482 228 360 316 2529 158 271 410 308 283 410 201 179 430 342 18510 324 406 235 520 442 520 358 343 251 282 371应该撤销那些雨量站，涉及雨量站的分布，地形，地貌，人员，设备等众多因素。
我们仅考虑尽可能地减少降雨信息问题。
一个自然的想法是就10年来各雨量站所获得的降雨信息之间的相似性，对全部雨量站进行分类，撤去“同类”（所获降雨信息十分相似）的雨量站中“多余”的站。
问题求解假设为使问题简化，特作如下假设（1）每个观测站具有同等规模及仪器设备；（2）每个观测站的经费开支均等；具有相同的被裁可能性。
分析：对上述撤销观测站的问题用基于模糊等价矩阵的模糊聚类方法进行分析，原始数据如上。