隶属度函数
美国加利福尼亚大学控制论教授扎得（L、A、Zadeh）经过多年的琢磨，终于
在1965年首先发表了题为《模糊集》的论文。指出：若对论域（研究的范围）U中
的任一元素x，都有一个数A（x）∈[0，1]与之对应，则称A为U上的模糊集，A（x
）称为x对A的隶属度。当x在U中变动时，A（ x）就是一个函数，称为A的隶
属函数。隶属度A（x）越接近于1，表示x属于A的程度越高，A（x）越接近于0
表示x属于A的程度越低。用取值于区间[0，1]的隶属函数A（x）表征x 属于A的
程度高低，这样描述模糊性问题比起经典集合论更为合理。
隶属度属于模糊评价函数里的概念：模糊综合评价是对受多种因素影响的事物做
出全面评价的一种十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或
否定，而是以一个模糊集合来表示。
隶属度函数及其确定方法分类
隶属度函数是模糊控制的应用基础,正确构造隶属度函数是能否用好模糊控制的
关键之一。隶属度函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊
概念的认识理解又有差异,因此,隶属度函数的确定又带有主观性。
隶属度函数的确立目前还没有一套成熟有效的方法,大多数系统的确立方法还停
留在经验和实验的基础上。对于同一个模糊概念,不同的人会建立不完全相同的隶属
度函数,尽管形式不完全相同,只要能反映同一模糊概念,在解决和处理实际模糊信息
的问题中仍然殊途同归。下面介绍几种常用的方法。
(1)模糊统计法：
模糊统计法的基本思想是对论域U上的一个确定元素vo是否属于论域上的一个
可变动的清晰集合A3作出清晰的判断。对于不同的试验者,清晰集合 A3可以有不同
的边界,但它们都对应于同一个模糊集A。模糊统计法的计算步骤是:在每次统计中, v
o是固定的,A3的值是可变的,作 n次试验,其模糊统计可按下式进行计算
v0对 A 的隶属频率 = v0∈A 的次数 / 试验总次数 n
随着 n的增大,隶属频率也会趋向稳定,这个稳定值就是 vo对A 的隶属度值。这
种方法较直观地反映了模糊概念中的隶属程度,但其计算量相当大。
(2)例证法：
例证法的主要思想是从已知有限个μA的值,来估计论域 U 上的模糊子集 A 的
隶属函数。如论域 U代表全体人类,A 是“高个子的人”。显然 A 是一个模糊子集。
为了确定μA,先确定一个高度值 h,然后选定几个语言真值(即一句话的真实程度)中的
一个来回答某人是否算“高个子”。如语言真值可分为“真的”、“大致真的”、“似真似假”、
“大致假的”和“假的”五种情况,并且分别用数字1、0.75、0.5、0.25、0来表示这些语
言真值。对 n个不同高度h1、h2、…、hn都作同样的询问,即可以得到 A 的隶属度
函数的离散表示。
(3)专家经验法：
专家经验法是根据专家的实际经验给出模糊信息的处理算式或相应权系数值来
确定隶属函数的一种方法。在许多情况下,经常是初步确定粗略的隶属函数,然后再通
过“学习”和实践检验逐步修改和完善,而实际效果正是检验和调整隶属函数的依据。
(4)二元对比排序法：
二元对比排序法是一种较实用的确定隶属度函数的方法。它通过对多个事物之间
的两两对比来确定某种特征下的顺序,由此来决定这些事物对该特征的隶属函数的大
体形状。二元对比排序法根据对比测度不同,可分为相对比较法、对比平均法、优先
关系定序法和相似优先对比法等。
举例
【例一】
A(x )=表示模糊集“年老”的隶属函数，A表示模糊集“年老”，当年龄x≤50时A（x）
=0表明x不属于模糊集A（即“年老”），当x ≥100时，A（x）=1表明x 完全属于
A，当50くx〈100时，0〈A（x）〈1，且x越接近100，A（x）越接近1，x属于
A的程度就越高。这样的表达方法显然比简单地说：“100岁以上的人是年老的，100
岁以下的人就不年老。”更为合理。
【例二】
按照模糊综合分析法，我们对某企业效绩进行评价。
1.设因素集U：U={u1，u2，……u9}
综合我国现行评价体系和平衡记分法(SEC)，我们选取了u1(净资产收益状况)、
u2(资产营运状况)、u3(长期偿债能力)、u4(短期偿债能力)。U5(销售增长状况)，u6(市
场占有能力)、u7(技术能力)、u8(发展创新能力)、u9(学习能力)等9个指标为反映企
业效绩的主要指标。其中，u1、u2、u3、u4、u5是财务业绩方面的指标，原来都用
精确的比率指标反映，但对它们适当地模糊化更能客观真实地反映企业效绩。例如，
在评价企业短期偿债能力时，该企业流动比率为1.8，但专家们发现该企业存货数额
庞大，占了流动资产的较大部分，说明其资产的流动性并不好，因而仍可评定该指标
为较低等级。U6是客户方面业绩指标，u7内部经营过程方面业绩指标，u8、u9是
学习与增长方面业绩指标。
2.设评价集V={v1，v2……v4} 。简便起见，我们设v1：优秀，v2：良好，v3：
平均，v4：较差。
3.我们选取了该企业的注册会计师、熟悉该企业情况的专家组成评判组，得到评
价矩阵
4.根据专家意见，我们确定权重集A为：
5.按照M(,，+)模型
所以，根据最大隶属度原则，该企业效绩评定为“良好”。事后，该企业领导认为
这个评价结果比较符合实际情况。
模糊数学1、模糊集、隶属度函数、如何确定隶属度函数
模糊数学1、模糊集、⾪属度函数、如何确定⾪属度函数------------------------2021.3.14更新------------------------------⼀个关于模糊和概率的趣味⼩问题------------------------2021.3.14更新------------------------------------------------------2020.8.17更新------------------------------总算学完了，这懒病改改改了，放⼀下所有的笔记链接集合的概念：⼀些具有相同特征的不同对象构成的全体，也称集或者经典集合。
经典集合的特征函数（和模糊集的⾪属度函数⼀样）：f(x) = \left\{ \begin{array}{l} 1\quad x \in A \\ 0\quad x \notin A \\ \end{array} \right.⼀个经典集合A，它的特征函数为f()，那么怎么判断⼀个新的对象x是不是属于这个集合呢，计算f(x)是0还是1，是1代表属于A，是0代表不属于。
与之对应的是模糊集合，假设A是⼀个模糊集合，它的⾪属度函数是\mu _A ( \cdot )，那么⼀个新的对象x属于A的程度就是\mu _A (x)（是⼀个0到1之间的数）。
⾪属度函数的构造极为重要，⼀般根据这个模糊集的性质相关。
⼀般也把A的⾪属度函数写成A( \cdot )接下来是模糊集的表⽰⽅法，共三种：扎德表⽰法，序偶表⽰法，向量表⽰法。
假设论域U = \left\{ {x_1 ,x_2 , \cdot \cdot \cdot ,x_n }\right\}，模糊集为A，A(x)是x的⾪属度，A( \cdot )是⾪属度函数。
扎德表⽰法容易与加法混淆。
序偶表⽰法与向量表⽰法的含义都⼀样，向量表⽰法更简洁，所以我们⼀般就只⽤向量表⽰法。
⽐如上⾯公式的意思就是每个对象x_i属于模糊集合A的程度（⾪属度）接下来讲⼀讲⾪属度函数的确定。
模糊控制_隶属度函数
第6章模糊逻辑【转】2009-04-16 21:48高斯隶属函数函数gaussmf格式 y=gaussmf(x,[sig c])说明高斯隶属函数的数学表达式为：，其中为参数，x为自变量，sig为数学表达式中的参数。
例6-1>>x=0:0.1:10;>>y=gaussmf(x,[2 5]);>>plot(x,y)>>xlabel('gaussmf, P=[2 5]')结果为图6-1。
图6-16.1.2 两边型高斯隶属函数函数gauss2mf格式 y = gauss2mf(x,[sig1 c1 sig2 c2])说明 sig1、c1、sig2、c2为命令1中数学表达式中的两对参数例6-2>>x = (0:0.1:10)';>>y1 = gauss2mf(x, [2 4 1 8]);>>y2 = gauss2mf(x, [2 5 1 7]);>>y3 = gauss2mf(x, [2 6 1 6]);>>y4 = gauss2mf(x, [2 7 1 5]);>>y5 = gauss2mf(x, [2 8 1 4]);>>plot(x, [y1 y2 y3 y4 y5]);>>set(gcf, 'name', 'gauss2mf', 'numbertitle', 'off');结果为图6-2。
6.1.3 建立一般钟型隶属函数函数gbellmf格式 y = gbellmf(x,params)说明一般钟型隶属函数依靠函数表达式这里x指定变量定义域范围，参数b通常为正，参数c位于曲线中心，第二个参数变量params是一个各项分别为a，b和c的向量。
例6-3>>x=0:0.1:10;>>y=gbellmf(x,[2 4 6]);>>plot(x,y)>>xlabel('gbellmf, P=[2 4 6]')结果为图6-3。
老年的隶属度函数
A B A B
但是普通集合的“互补律”对模糊集合却不成立，
即 A A E A A ，
50 17
_______
1
A
A A
_
A
_
1
A
A A
_
A
_
r
(a) (b) 图6.4 模糊集合的运算不满足“互补律”
50
r
18
四、模糊关系 设有两个集合A，B，A和B的直积A×B定义为 AB={(a,b)aA , bB} 它是由序偶 (a,b) 的全体所构成的二维论域上的集 合。一般来说A×B≠B×A。 设 A×B 是集合 A 和 B 的直积，以 A×B 为论域的模 糊集合R 称为 A 和 B 的模糊关系。也就是说对 A×B中的 任一元素 (a,b) ，都指定了它对 R 的隶属度 R(a,b)， R 的 隶属度函数R可看作是如下的映射： R ： AB[0,1] (a ,b) R(a ,b)
第六章 不确定集合基础
第六章 不确定集合基础
§6.1 §6.2 §6.3 §6.4 概述 模糊集合与隶属度函数 Vague集合基础 粗糙集合基础
50
2
§6.1 概述
§6.1.1 传统数学与模糊数学 §6.1.2 不相容原理
50
3
§6.1.2 不相容原理
1965年，美国自动化控制专家扎德（L. A. Zadeh） 教授首先提出用隶属度函数(membership function)来描 述模糊概念，创立了模糊集合论，为模糊数学奠定了 基础。 不相容原理:“随着系统复杂性的增加，我们对其特 性作出精确而有意义的描述的能力会随之降低，直到 达到一个阈值，一旦超过它，精确和有意义二者将会 相互排斥”。这就是说，事物越复杂，人们对它的认 识也就越模糊，也就越需要模糊数学。不相容原理深 刻的阐明了模糊数学产生和发展的必然性，也为三十 多年来模糊数学的发展历史所证实。
第七讲 隶属函数的确定方法
中间型隶属函数
1.矩形 2.尖型 3.正态型 4.柯西型 5.梯形
µA1 ( x) =
ɶ
1, a − b < x ≤ a + b 0, 其他 exp[ k (x − a)] , x ≤ a (k > 0) exp[ −k ( x − a)] , x > a
−1
µA2 ( x) =
参数法是指利用已知形状的隶属函数作为样板， 通过确定函数参数的方式来给出隶属函数的方 法。 常用隶属函数
偏小型 偏大型 中间型
偏小型隶属函数
x≤a 1, µ A ( x) = ɶ f ( x), x > a
1.降半矩阵型 2.降半伽马型 3.降半正态型 4.降半柯西型 5.降梯形 6.降岭形 7.k次抛物线
隶属函数的确定方法
模糊统计法 参数法
模糊统计法
通过模糊统计实验来确定隶属函数的方法 四要素
① 论域X ② 试验所要处理的论域X的固定元素x0 ③ 论域X的可变动的子集A*，它作为模糊集 A 的有可塑性 ɶ 边界的反映，可由它得到每次试验中x0是否符合模糊集A ɶ 所刻划的模糊概念的一个判决 ④ 条件集C，它限制着A*的变化
ɶ ɶ
µA3 ( x) = exp −k ( x − a)2 , (k > 0) µA4 ( x) = 1+ α ( x − a)β (α > 0, β是非负偶数)
(a2 + x − a) /(a2 − a1), a − a2 < x ≤ a − a1 1, a − a1 < x ≤ a + a1 µA5 ( x) = ɶ (a2 − x + a) /(a2 − a1), a + a1 < x ≤ a + a2 0, 其他 0.5 + 0.5sin [π /(b − a)( x + (b + a) / 2)] , −b < x ≤ −a 0.5 − 0.5sin [π /(b − a)( x − (b + a) / 2)] , a < x ≤ b µA6 ( x) = ɶ −a < x ≤ a 1, 0, 其他
梯形隶属度函数 python
梯形隶属度函数1. 定义梯形隶属度函数（Trapezoidal Membership Function）是一种用于模糊逻辑中的隶属度函数，它定义了一个变量的值对于一个特定的模糊集合的隶属程度。
梯形隶属度函数具有四个参数，分别表示梯形的四个边界。
这些参数可以用来调整梯形的形状和位置，以适应不同的模糊集合。
在梯形隶属度函数中，变量的值落在梯形的上升边界和下降边界之间时，其隶属度为1。
变量的值在梯形顶部和边界之间时，其隶属度在0到1之间平滑过渡。
变量的值小于上升边界或大于下降边界时，其隶属度为0。
因此，梯形隶属度函数可以用来表示模糊规则的条件或输出的隶属度。
2. 用途梯形隶属度函数在模糊逻辑系统中广泛应用于建模和控制，用于表示模糊变量的隶属度。
模糊逻辑系统使用模糊集合和模糊规则来处理不确定性和模糊性，使得系统能够处理不确定和模糊的输入和输出。
梯形隶属度函数可以用于表示模糊集合的隶属度，例如温度的冷、温和、热等模糊集合。
通过调整梯形的参数，可以调节隶属度函数的形状和位置，以适应实际应用中的不同情况。
梯形隶属度函数还可以用于构建模糊规则，用于模糊推理和控制。
模糊规则是一种条件-输出语句，它根据输入的模糊变量的隶属度和规则的权重计算输出的模糊变量的隶属度。
梯形隶属度函数可用于指定模糊规则中的条件的隶属度。
3. 工作方式梯形隶属度函数的工作方式可以分为以下几个步骤：1.定义梯形的四个边界参数：上升边界、顶部、下降边界和底部。
这些参数用于调节梯形的形状和位置。
2.计算输入变量的值与梯形边界的相对位置。
3.根据相对位置计算输入变量的隶属度。
如果输入变量的值小于上升边界或大于下降边界，则隶属度为0；如果输入变量的值在上升边界和下降边界之间，则隶属度为1；如果输入变量的值在顶部和边界之间，则根据相对位置计算隶属度。
4.输出输入变量的隶属度。
梯形隶属度函数的形状和位置可以通过调整边界参数来进行灵活的调节，从而适应不同的模糊集合和模糊规则。
模糊控制-隶属度函数
模糊控制-隶属度函数第6章模糊逻辑【转】2022-04-1621:48高斯隶属函数函数gaumf格式y=gaumf(某,[igc])说明高斯隶属函数的数学表达式为：，其中为参数，某为自变量，ig 为数学表达式中的参数例6-1>>某=0:0.1:10;>>y=gaumf(某,[25]);>>plot(某,y)>>某label('gaumf,P=[25]')结果为图6-1。
图6-16.1.2两边型高斯隶属函数函数gau2mf格式y=gau2mf(某,[ig1c1ig2c2])说明ig1、c1、ig2、c2为命令1中数学表达式中的两对参数例6-2 >>某=(0:0.1:10)';>>y1=gau2mf(某,[2418]);>>y2=gau2mf(某,[2517]);>>y3=gau2mf(某,[2616]);>>y4=gau2mf(某,[2715]);>>y5=gau2mf(某,[2814]);>>plot(某,[y1y2y3y4y5]);>>et(gcf,'name','gau2mf','numbertitle','off');结果为图6-2。
6.1.3建立一般钟型隶属函数函数gbellmf格式y=gbellmf(某,param)说明一般钟型隶属函数依靠函数表达式这里某指定变量定义域范围，参数b通常为正，参数c位于曲线中心，第二个参数变量param是一个各项分别为a，b和c的向量。
例6-3>>某=0:0.1:10;>>y=gbellmf(某,[246]);>>plot(某,y)>>某label('gbellmf,P=[246]')结果为图6-3。
第6章确定隶属函数的方法
这里 (x)
x
1 2
e dt
t2 2
增量法（Incremental） 例１、设论域Ｘ＝[0, 200]（单位:岁），又设 A F (X),
且定义 A 为老年，求其隶属函数 A(x).
解：任给x一个增量 定
§6.1 确定隶属函数的原则
（１）若模糊集反映的是社会的一般意识， 它是大量的可重复表达的个别意识的平均结 果，例如，青年人，经济增长快，生产正常 等，则此时采用模糊统计法（见§6.３ ）来 求隶属函数较为理想；
（２）如果模糊集反映的是某个时间段内的个 别意识，经验和判断，例如，某专家对某个 项目可行性的评价，那么，对这类问题可采 用Delphi法；（见§6.２） （３）若模糊集反映的模糊概念已有相应成熟 的指标，这种指标经过长期实践检验已成为 公认的对事物的真实的又是本质的描述，则 可直接采用这种指标，或者通过某种方式将 这种指标转化为隶属函数；
1 （６）计算 m M
它情形，取 0 ei 1.
iM
m,
i
n
其中 M {i ei ;i 1, 2,...,n},
M 表示集合 M 的元素的个数，而 [0,1] 是事先给
定的标准。 (7)以 m 作为 A(u0 ) 的估计值，或直接计算
1 n m mi , n i 1
k
m
其中 u U,(1 ,1,,m ),(1, 2 ,, k )为两权重向量，
且u+k=n+1,b为正实数，权重
(1 , 1 ,, m ),
(1 , 1 ,, k ) 可通过专家调查获取，也可通过试验
取点，得到形如
(A1(u1 ), A2 (u2 ),, An (un ), A(u))
最大隶属度函数法
最大隶属度函数法是一种用于聚类分析的方法，它可以将数据集中的样本分成不同的类别。
该方法基于一个假设，即每个样本都可以表示为多个不同的隶属度函数之间的加权平均。
这些隶属度函数代表不同类别，其拟合参数用来衡量样本在该特定类别上的相似性。
通过使用此方法，可以将样本归入其中一个或多个特定类别中。
优势:
1. 最大隶属度函数法能够很好地处理非常大量、高维度、异常情况较少的数据集。
2. 它能够很好地扩展并支持新样本，而无需重新训练模型。
3. 这是一个快速、易于理解并易于实施的方法；因此也是一个流行而强大的工具。
模糊控制_隶属度函数
第 6 章 含糊逻辑【转】 2022-04-16 21:48函数格式 y=gaussmf(x,[sig c])说明 高斯隶属函数的数学表达式为： ，其中 为参数， x 为自变量， sig 为数学 表达式中的参数 。
例 6-1>>x=0:0.1:10;>>y=gaussmf(x,[2 5]);>>plot(x,y)>>xlabel('gaussmf, P=[2 5]')结果为图 6-1。
图6-1函数格式 y = gauss2mf(x,[sig1 c1 sig2 c2])说明 sig1、c1、sig2、c2 为命令 1 中数学表达式中的两对参数例 6-2>>x = (0:0.1:10)';>>y1 = gauss2mf(x, [2 4 1 8]);>>y2 = gauss2mf(x, [2 5 1 7]);>>y3 = gauss2mf(x, [2 6 1 6]);>>y4 = gauss2mf(x, [2 7 1 5]);>>y5 = gauss2mf(x, [2 8 1 4]);>>plot(x, [y1 y2 y3 y4 y5]);>>set(gcf, 'name', 'gauss2mf', 'numbertitle', 'off');结果为图 6-2。
函数格式 y = gbellmf(x,params)说明普通钟型隶属函数依靠函数表达式这里 x 指定变量定义域范围，参数 b 通常为正，参数 c 位于曲线中心，第二个参数变量 params 是一个各项分别为 a，b 和 c 的向量。
例 6-3>>x=0:0.1:10;>>y=gbellmf(x,[2 4 6]);>>plot(x,y)>>xlabel('gbellmf, P=[2 4 6]')结果为图 6-3。
隶属度函数
6.1.4 两个 sigmoid 型隶属函数之差组成的隶属函数
函数 dsigmf 格式 y = dsigmf(x,[a1 c1 a2 c2]) 说明 这里 sigmoid 型隶属函数由下式给出 x 是变量，a,c 是参数。dsigmf 使用四个参数 a1，c1，a2，c2，并且是两个 sigmoid 型函数之差： ，参数按顺序 列出。
6.1.8 建立 Sigmoid 型隶属函数
函数 sigmf 格式 y = sigmf(x,[a c]) 说明 ，定义域由向量 x 给出，形状由参数 a 和 c 确定。 例 6-8 >>x=0:0.1:10; >>y=sigmf(x,[2 4]); >>plot(x,y) >>xlabel('sigmf, P=[2 4]') 结果为图 6-8。 图 6-8 例 6-9 >>x = (0:0.2:10)’; >>y1 = sigmf(x,[-1 5]); >>y2 = sigmf(x,[-3 5]); >>y3 = sigmf(x,[4 5]); >>y4 = sigmf(x,[8 5]); >>subplot(2,1,1),plot(x,[y1 y2 y3 y4]); >>y1 = sigmf(x,[5 2]); >>y2 = sigmf(x,[5 4]); >>y3 = sigmf(x,[5 6]); >>y4 = sigmf(x,[5 8]); >>subplot(2,1,2),plot(x,[y1 y2 y3 y4]);
高斯隶属函数
函数 gaussmf 格式 y=gaussmf(x,[sig c]) 说明 高斯隶属函数的数学表达式为： ，其中 为参数，x 为自变量，sig 为数学 表达式中的参数 。 例 6-1 >>x=0:0.1:10; >>y=gaussmf(x,[2 5]); >>plot(x,y) >>xlabel('gaussmf, P=[2 5]') 结果为图 6-1。 图 6-1