模糊分类的方法及其应用
模糊聚类的分析
模糊聚类的分析模糊聚类分析是一种在统计分析领域中的方法。
它的主要思想是将客观数据更好地分类和分析。
模糊聚类是一种简单的数据挖掘技术，它可以从客观数据中挖掘出有价值的信息，以帮助我们分析和探索数据。
模糊聚类分析的本质是根据相似度度量算法来确定数据点之间的相似性，并将它们聚类为一个或多个类别。
它可以用于更好地加深对数据挖掘结果的理解，分析和发现数据中的结构和关系。
模糊聚类的优点1、可以更好地发现数据挖掘的结果和有价值的信息。
2、可以用于分析和发现客观数据中的结构和关系。
3、可以很好地分析大数据集。
4、可以使数据分类更有效率。
模糊聚类的应用1、金融领域：模糊聚类可用于金融分析，如风险识别、客户分析、金融监管等，可以显著提高对金融市场的了解，并帮助金融市场制定更有效的策略。
2、医学领域：模糊聚类可以更好地理解大量的临床资料，并为医生提供更有效的诊断建议。
它还可以应用于医疗和病理图像分析，以有效管理和指导患者的治疗过程。
3、气象领域：模糊聚类可以有效地识别气象 sensor卫星数据中的关键结构和特征，并用于气象研究和气象预报中。
4、人工智能：模糊聚类可以作为机器学习算法的基础，用于建模不同环境和情景。
它还可以用于自然语言处理，提供更有意义的信息，例如情感分析。
模糊聚类的局限性1、模糊聚类的结果很大程度上取决于人为干预，且模糊聚类的结果可能会受到相似度测量的影响，这可能会导致结果的不稳定性。
2、除此之外，由于模糊聚类是基于数据预处理后的假设来实施的，所以对数据预处理的要求较高，对数据准备质量和格式有较高的要求，这也是模糊聚类的一大局限性。
模糊聚类的发展前景模糊聚类分析技术在各个领域的应用及其发展前景均越来越广泛。
模糊聚类技术在人工智能、机器学习、大数据和自动化领域等方面都有广泛的应用，而且随着 AI 、Bigdata术的发展，模糊聚类在预测建模、数据挖掘和自然语言处理等方面也都有了重要的应用。
此外，模糊聚类技术还可以应用于声学识别、计算机视觉和实时处理等领域，进一步拓展模糊聚类技术的应用前景。
模糊核覆盖分类器及其应用
Ａ ｓ ａｔ ｂ ｔ ｃ ：Ｗｈ ｅｋ ｒｅ ｃｖ ｒ ｇａ ｏｉ ｍ （ Ｃ ｒ ｉ ｅｎ ｌ ｏｅｉ ｌ ｒ ｈ Ｋ Ａ）ｉ ａｋ ｄｏ ｅ ｅｔ ｅ ｌｓ ｆ ａｉ ｌ ｒ ｈ ｉ ｓ ｌｆｌ ｏ ｅｔ ｇ ｌ ｎ ｇ ｔ ｓ ｉ ｆ ｆ ｃ ｖ ａ ｓ ｃ ｔ ｎａ ｏｉ ｍ， ｔ ｔｌ ａ ｓ ｈ ｒ ｉ ｔ ａ ｎ ｎ ｆ ｉ ｃ ｉ ｉ ｏ ｇ ｔ ｉ ｌ ｓ ｔ ｎ ｒ ｉ ｒｊｃｉｎ ｐ ｉｔ．Ｔ ｉ ｐ ｐ ｒ ｎ ｌｚｄｔｅｃ ｎ ｔ ｃｉｎｐｏ ｅ ｓ ｆ ｅｎ ｌ ｏ ｅｉｇａｇ ｒｈ ｅｅ ｔ ｏｎｓ ｈｓ ａ ｅ ａｙｅ ｏ ｓ ｕ ｔ ｒｃ ｓ ｒｅ ｖｒｎ ｌｏｉ ｍ．Ｂｙｒｖｓｎ ｅｓｌｃｉｎｃｉ ｒ ｆ ｏ ａ ｈ ｒ ｏ ｏｋ ｃ ｔ ｅ ｉｉｇｔ ｅｅ ｔ ｒｅｉ ｏ ｈ ｏ ｔ ａ ｃｖ ｒ ｇｒｄ ｓ ｎ ｔ ｄ ｃ ｇ ｈ ｍ ｅｓｉ ｎ ｔ ｎｆ ｊｃ ｏ ｏ ｔ， ｅ ｅａ ｚｄｔｅ ｌ ｒ ｈ ｓ ｕ ｚ ｅｎ ｌ ｏ ｅｉ ｏｅｉ ｉ ｄｉ ｒ ｕ ｉ ｅ ｎ ａ ｕ ａ ｎ ｏ ｎ ｔ ｍｅ ｂ ｒ ｐｆ ｃ ｏ ｒ ｅｅｔ ｎｐ ｉ ｓ ｇ ｎ ｒｌ ｅ ｇ ｉ ｍ ａ ｚ ｋ ｒｅ ｃ ｖ ｒ ｇ ｈ ｕ ｉ ｏｒ ｉ ｎ ｉ ｈ ａ ｏｔ ｆ ｙ ｎ ａ ｏｉ ｍ （ Ｋ Ａ） ｌ ｉ ｕ ｓｄ ｉ ｌｔ ｏ ｅｉｇ Ｓｉ ｐ ｃ ｏ ｌ ｓ ｅ ’ ｅ ｏｍ ｎ ｅａ ｄ ｌ ｅｅ ｈ ｏ ｐ ｔ ｉ ｏｔ ｌ ｒ ｈ Ｆ Ｃ ．Ａ ｓ ｄ ｃ ｓ ｏａ ｄｃ ｖ ｒ ’ ａｔ ｎ ｃ ｓｉ ｒ Ｓｐ ｒ ｒ ａ ｃ ｎ ｏ ｒ ｔｅｃ ｍ ｕ ｔ ｎ ｃ ｓ ｇ ｔ ｏ ｓ ｅ ｓ ｅ ｎ ｍ ａ ｆ ｉ ｆ ｗ ｄ ａｏ
ｔｒ ｕ ｈ ｒｄｕ ｉ ｇ ｔ ｕ ｈ ｏ ｇ ｅ ｃ ｎ ｈｅ ｎ ｍｂｅ ｆｃ ｖ ｒｎ ｓ Ｃｏ ｐ ｒｎｇ ｗｉｈ ｏｈ ｒｃ ａ ｓｆｃ ｔ ｎ ｍｅｈｏ ｓ ｏ ｘｐ ｒｍｅ ｅ ｕ ｔ ｈ ｗ ｈｉ ｕｚｙ ｒｏ ｏ ｅｉ ｇ ． ｍ ａ ｉ ｔ ｔｅ ｌ ｓ ｉ ａｉ ｔ ｄ ｎ ｅ ｅ ｉ ｎｔｒ ｓ ｌｓ ｏ ｔ ｓ ｆ ｚ ｉ ｏ ｓ ｋｅ ｎ ｌｃ ｖ ｒｎ ｌｏ ｉ ｒ ｅ ｏ ｅ ｉｇ ａｇ ｒｔ ｈｍ ｒ ｓｗｅ１ ＦＫＣＡ ｓａ ｌｅ Ｏ ｓ ｍ ｌｅ ｎ ｎｄ ｔｅ ｃａ ｓｆｅ Ｓｐ ｒｏ ｍａ ｃ ｓｉ ｒ ｖ ｄ ｅｆｃ ｉｅ ｗｏ ｋ ｌ． ｉ ｐｐ ｉｄ ｔ ｐａ ｆ ｔｒ ｇａ ｈ ｌｓ ｉ ｒ’ ｅ ｆｒ ｎ ｅ ｉ ｍｐ ｏ ｅ ｆｅ ｔｖ 一 ｉ ｉ ｉ １． ｙ
模糊集理论及应用讲解
经典集合与特征函数
4、隶属度 特征函数CA(u)在u=u0处的值CA(U0)称为u0对A的隶属度。
模糊集合与隶属函数
1、隶属函数
[0 设U是论域，μA是将任何u∈U映射为 ，1]上某个值的函数，
即：
：U→[ μA
0，1的一个隶属函数。
?0.4 0.5 0.1?
例
R1 ? ??0.2 0.6 0.2??
??0.5 0.3 0.2??
?0.2 0.8? R2 ? ??0.4 0.6??
??0.6 0.4??
?0.4 0.5? R ? R1 ?R2 ? ??0.4 0.6??
λ水平截集
解： （1）λ水平截集 A1={ u3 } A0.6={ u2,u3,u4 } A0.5={ u2,u3,u4,u5 } A0.3={ u1,u2,u3,u4,u5 } （2）核、支集 KerA={ u3 } SuppA={ u1,u2,u3,u4,u5 }
模糊数
模糊数 如果实数域上的模糊集A的隶属函数μA (u)在R上连续，且具有如下性 质：
2、模糊集
设A={ μA (u) | u∈U } ，则称A为论域U上的一个模糊集。 3、隶属度
μA (u)称为u对模糊集A的隶属度。
模糊集合与隶属函数
模糊集合完全由其隶属函数确定，即一个模糊集合与其隶属函数是等 价的。
可以看出 对于模糊集Ａ，当Ｕ中的元素u的隶属度全为0时，则Ａ就是个空 集； 当全为1时，Ａ就是全集Ｕ； 当仅取0和1时，Ａ就是普通子集。
UR V R的论域为U×V。 特别地，当U=V时，R称为U上的二元模糊关系；若R的论域为n个集合
的直积U1×U2×…×Un，则称R为n元模糊关系。
choquet积分及其在分类中的应用
choquet积分及其在分类中的应用Choquet积分是一种在模糊集理论中常用的数学工具，它具有广泛的应用，特别是在分类问题中。
本文将介绍Choquet积分的基本概念和性质，并探讨其在分类中的应用。
我们来了解一下Choquet积分的定义和性质。
Choquet积分是一种对模糊集进行数值化处理的方法，它考虑了元素之间的相互关系和重要性。
与传统的模糊集合论中使用的加权平均方法不同，Choquet 积分引入了一个非线性的加权函数，用于计算模糊集的值。
Choquet积分的计算方式可以简单地解释为，对于给定的模糊集合，首先确定每个元素的权重，然后根据这些权重对元素进行排序。
接下来，使用一个非线性函数对排序后的元素进行加权求和，得到模糊集合的值。
Choquet积分具有一些重要的性质，例如非负性、单调性和规范性。
这些性质使得Choquet积分在模糊集合的表示和处理中非常有用。
此外，Choquet积分还可以通过引入概念格的理论来进一步扩展，使得它在分类问题中的应用更加灵活和有效。
接下来，我们将讨论Choquet积分在分类中的应用。
分类是机器学习和模式识别中的一个重要问题，它的目标是将数据集划分为不同的类别。
传统的分类方法通常基于特征向量的相似性或距离度量，而Choquet积分提供了一种基于模糊集合的新颖方法。
在使用Choquet积分进行分类时，首先需要将输入数据表示为模糊集合。
这可以通过将数据映射到特征空间中的不同区域来实现，每个区域对应一个模糊集合。
然后，通过计算每个模糊集合的Choquet积分值，可以得到该数据点属于不同类别的概率。
通过比较不同类别的概率，可以将数据点分配给最可能的类别。
这种基于Choquet积分的分类方法具有一些优势。
首先，它可以考虑元素之间的相互关系和重要性，从而更好地捕捉数据的特征。
其次，Choquet积分可以灵活地处理不同类别之间的不确定性和模糊性。
除了基本的分类问题，Choquet积分还可以应用于多类别分类、不完全信息的分类和不均衡数据的分类等特殊情况。
模糊聚类算法的原理和实现方法
模糊聚类算法的原理和实现方法模糊聚类算法是一种数据分类和聚类方法，它在实际问题中有着广泛的应用。
本文将介绍模糊聚类算法的原理和实现方法，包括模糊C均值（FCM）算法和模糊神经网络（FNN）算法。
一、模糊聚类算法的原理模糊聚类算法是基于模糊理论的一种聚类方法，它的原理是通过对数据进行模糊分割，将每个数据点对应到多个聚类中心上，从而得到每个数据点属于各个聚类的置信度。
模糊聚类算法的原理可以用数学公式进行描述。
设有n个数据样本点X={x1, x2, ..., xn}，以及m个聚类中心V={v1, v2, ..., vm}。
对于每个数据样本点xi，令uij为其属于第j个聚类中心的置信度，其中j=1，2，..., m，满足0≤uij≤1，且∑uij=1。
根据模糊理论，uij的取值表示了xi属于第j个聚类中心的隶属度。
为了达到聚类的目的，我们需要对聚类中心进行调整，使得目标函数最小化。
目标函数的定义如下：J = ∑∑(uij)^m * d(xi,vj)^2其中，m为模糊度参数，d(xi,vj)为数据点xi与聚类中心vj之间的距离，常用的距离度量方法有欧氏距离和曼哈顿距离。
通过不断调整聚类中心的位置，最小化目标函数J，即可得到模糊聚类的结果。
二、模糊C均值（FCM）算法的实现方法模糊C均值算法是模糊聚类算法中最经典的一种方法。
其具体实现过程如下：1. 初始化聚类中心：随机选取m个数据点作为初始聚类中心。
2. 计算隶属度矩阵：根据当前聚类中心，计算每个数据点属于各个聚类中心的隶属度。
3. 更新聚类中心：根据隶属度矩阵，更新聚类中心的位置。
4. 判断是否收敛：判断聚类中心的变化是否小于设定的阈值，如果是则停止迭代，否则返回第2步。
5. 输出聚类结果：将每个数据点分配到最终确定的聚类中心，得到最终的聚类结果。
三、模糊神经网络（FNN）算法的实现方法模糊神经网络算法是一种基于模糊理论和神经网络的聚类方法。
其实现过程和传统的神经网络类似，主要包括以下几个步骤：1. 网络结构设计：确定模糊神经网络的层数和每层神经元的个数。
模糊数学ppt课件
1 2
，则有rij'
பைடு நூலகம்[0,1]
。也可以
用平移—极差变换将其压缩到[0,1]上，从而得到模糊相似矩阵
R (rij )nm
（2）绝对值指数法. 令
m
rij exp{ xik x jk }(i, j 1, 2, , n) k 1
则 R (rij )nm
（3）海明距离法. 令
rij
1
d (xi , x j )
（6）主观评分法：设有N个专家组成专家组,让每一位专家对
所研究的对象 x i 与 x j 相似程度给出评价，并对自己的自信度
作出评估。如果第k位专家 Pk 关于对象 x i与 x j 的相似度评价
为 rij (k )，对自己的自信度评估为aij (k ) (i, j 1,2,, n)，则相关 系数定义为
)2
(i, j 1,2,, n)
其中E为使得所有 rij [0,1](i, j 1, 2, , n) 的确定常数.则 R (rij )nm
（5）切比雪夫距离法. 令
rij
d (xi ,
1 xj)
Q
d
m
k 1
( xi xik
,
x
j ), x jk
(i, j 1,2,, n)
其中Q为使所有 rij [0,1](i, j 1, 2, , n) 的确定常数.则 R (rij )nm
第三步. 聚类 所谓模糊聚类方法是根据模糊等价矩阵将所研究的对象进
行分类的方法。对于不同的置信水平 [0,1] ，可以得到不同 的分类结果，从而形成动态聚类图。 （一）传递闭包法
通常所建立的模糊矩阵R 只是一个模糊相似矩阵，即R 不 一定是模糊等价矩阵。为此，首先需要由R 来构造一个模糊等
使用Matlab进行模糊聚类分析
使用Matlab进行模糊聚类分析概述模糊聚类是一种非常有用的数据分析方法，它可以帮助我们在数据集中找到隐藏的模式和结构。
在本文中，我们将介绍如何使用Matlab进行模糊聚类分析，以及该方法的一些应用和局限性。
引言聚类分析是一种数据挖掘技术，其目的是将数据集中相似的数据点划分为不同的群组或簇。
而模糊聚类则是一种非常强大的聚类方法，它允许数据点属于不同的群组，以及具有不同的隶属度。
因此，模糊聚类可以更好地处理一些模糊性或不确定性的情况。
Matlab中的模糊聚类分析工具Matlab是一种功能强大的数值计算和数据分析软件，它提供了一些内置的模糊聚类分析工具，可以帮助我们进行模糊聚类分析。
其中最常用的是fcm函数（fuzzy c-means clustering）。
fcm函数是基于fuzzy c-means算法的，它使用隶属度矩阵来度量数据点与不同类之间的相似性。
该函数需要指定聚类的数量和迭代次数，然后根据数据点与聚类中心之间的距离来计算隶属度矩阵，并不断迭代更新聚类中心和隶属度矩阵，直到收敛为止。
例如，假设我们有一个包含N个数据点的数据集X，每个数据点包含M个特征。
我们可以使用fcm函数对该数据集进行模糊聚类分析，首先将数据集归一化，并指定聚类的数量（如3个聚类），迭代次数（如100次），并设置模糊指数（如2）。
然后，我们可以使用聚类中心来获得每个数据点的隶属度，并根据隶属度矩阵来进行进一步的数据分析或可视化。
应用实例模糊聚类分析在实际中有很多应用，下面我们将介绍其中两个常见的应用实例。
1. 图像分割图像分割是一种将图像的像素点划分为不同区域或对象的过程。
模糊聚类分析可以在图像分割中发挥重要作用，因为它可以通过考虑像素点与不同区域之间的隶属度来更好地处理图像的模糊性和纹理。
通过使用Matlab中的模糊聚类分析工具，我们可以将一张图像分割为不同的区域，并进一步进行对象识别或图像处理。
2. 数据分类在数据挖掘和机器学习中，数据分类是一个非常重要的任务，其目的是将数据点划分到不同的类别中。
模糊理论总结
模糊理论总结简介模糊理论（Fuzzy Theory）是一种用于处理不确定性问题的数学方法，其背后的思想是模糊集合论。
模糊理论从模糊集合的角度对问题进行描述和处理，可以克服传统二值逻辑的限制，更符合人类思维的特点。
模糊理论主要应用于控制系统、人工智能、数据挖掘和模式识别等领域。
通过引入模糊概念，模糊理论能够有效处理模糊、不确定或不完全信息的问题，使得决策和系统设计更加灵活和适应实际应用。
模糊概念在模糊理论中，模糊概念是一个介于完全成员和完全非成员之间的概念。
与传统的二值逻辑相比，模糊概念允许元素有一定程度的隶属度。
模糊集合是由一系列隶属度在[0,1]范围内的元素组成的。
模糊概念的隶属函数描述了元素与模糊集合的关系。
常见的隶属函数包括三角函数、高斯函数和sigmoid函数等。
通过对隶属度的计算和操作，可以对元素进行模糊化处理，从而更好地表达和处理不确定性问题。
模糊推理模糊推理是模糊理论的核心。
与传统的逻辑推理相比，模糊推理能够处理模糊或不确定的条件和结论。
模糊推理根据输入的模糊规则和模糊事实，通过模糊逻辑运算得出模糊结论。
模糊推理的过程包括模糊化、模糊规则匹配和模糊合成三个步骤。
模糊化将输入的模糊事实转换为模糊集合，模糊规则匹配对输入的模糊事实和模糊规则进行匹配，模糊合成根据匹配结果和隶属度计算得出最终模糊结论。
模糊推理可以应用于各种决策问题，如模糊控制系统中的规则推理、模糊分类和模糊聚类等。
模糊控制模糊控制是模糊理论的一种重要应用，用于处理带有模糊或不确定性信息的控制问题。
传统的控制方法通常基于精确的模型和确定性的输入，而模糊控制则能够应对系统模型不确定或难以建立的情况。
模糊控制系统由模糊控制器和模糊规则库组成。
模糊控制器负责对输入模糊事实进行模糊推理，得出模糊控制命令。
模糊规则库包含了一系列模糊规则，用于将输入模糊事实映射到输出模糊命令。
模糊控制系统的设计包括确定模糊集合、编写模糊规则和确定隶属函数等步骤。
- 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)。
u2
0.85
u5
0.9
u3
总结
全文对分类数不确定的情况下对对象进 行分类的几种方法的简单介绍，在实际情况 中，还有好多种分类方法，限于个人水平， 只探讨四种，不足之处，恳请批评指正。
在此，我借着这次机会，感谢我的导师惠小静老师，感 谢她对我论文的悉心指导。
同时感谢和我一组的同学们，感谢他们在我的论文写作 过程中对我的帮助！
在此需要指出的是，当我们应用上述四种不同 方法对对象进行分类时，需要考虑不同的方法的应 用环境。其中，模糊传递闭包法在分类数较少的情 况下，用起来比较方便，但是当分类数较多的时候 如果继续用模糊传递闭包法就会比较困难了（主要 为计算的时候比较麻烦）。但是如果换用其它的三 种方法来分类，难度就会减少很多。尤其是用最大 树法或者编网法就会容易很多。
1.2 模糊分类的基本步骤
2 模糊传递闭包法
2.1 模糊传递闭包法的基本步骤
2.2 模糊传递闭包法的应用
3 直接聚类法的基本步骤及其应用
3.1 直接聚类法的基本步骤
3.2 直接聚类法的应用
4 最大树法（最大生成树法）的基本步骤 及其应用 4.1 最大树法的基本步骤 4.2 最大树法的应用
5 编网法的基本步骤及其应用 5.1 编网法的基本步骤 5.2 编网法的应用 6 总结
值得提出的是当用最大树法对对象进行分类时， 最大树根据选取的顶点不同，可以有多种，但是要用 哪一种，就根据实际需要了。但是要注意的是，在连 接最大树时，必须注意在最大树中不能够出现回路， 同时也不能出现相交线。
在本文中应用最大树法进行分类时，选取 了一个较为容易的最大树，即:
u1
0.8
0.2
u4
在本例中，我们将模糊相似矩阵中各个不同的元 素进行从大到小的顺序进行排序，得到：
1 0.9 0.85 0.8 0.6 0.2 0.1
然后依次按照四种不同方法的步骤进行分类可以得到
分类结果为：
❖当0 0.2时，分为 Nhomakorabea类：｛u1，u
2，u
3，u
4，u
｝
5
；
❖ 当 0.2 0.8 时，分为两类：｛u1，u2，u3，u5｝，｛u4｝；
0.1
0.2
0
1
0.1
0.2 0.85 0.9 0.1 1
，
请用四种不同的方法对其进行模糊分类。
分析：
通过四种方法的分类步骤，我们知道 要对某一对象进行分类，首先都要将模糊 相似矩阵中的所有不同的按照从大到小的 顺序编排，然后在根据各个方法的分类步 骤进行分类，得到最终的分类结果，然后 画出其动态聚类图。
预备知识
所谓聚类分析，就是根据事物间的不同 特 佂、亲疏程度和相似性等关系，对它们进 行分类的一种数学方法。它产生于地质学的 若干领域，其数学基础是数理统计中的多元 分析。由于在实际生活中，事物间的关系其 界限往往是不明显的，即为模糊关系，所以 用模糊数学方法进行聚类分析会显得更容易 些，更符合实际情况，这就是模糊聚类分析 具有的很强的生命力所在。
模糊分类的方法 及其应用
摘要：
本文总结了模糊传递闭包法、直接聚 类法、最大树法以及编网法四种分类方法 的基本步骤及其应用。并且通过用不同的 方法对同一示例进行求解，说明并得到不 同的分类方法分类结果是完全一样的。同 时使读者对模糊分类的方法有一定的了解。
目
录
1 预备知识
1.1 模糊聚类分析的定义及其方法
❖ 当0.8 0.85时，分为三类：｛u1｝，｛u2，u3，u5｝，｛u4｝； ❖ 当0.85 0.9 时，分为四类：｛u1｝，｛u2｝，｛u3，u5｝，｛u4｝； ❖ 当 0.9 1 时，分为五类：｛u1｝，｛u2｝，｛u3｝，｛u5｝，｛u4｝。
画出其动态聚类图如下：
三、注意：
我还要感谢本次论文写作过程中审评论文的每一位老 师，谢谢你们!
最后，感谢所有此次论文写作过程中帮我完善论文的老 师和同学们！
谢谢！
模糊分类的方法及其应用
一、四种不同的方法 1、模糊传递闭包法 2、直接聚类法 3、最大树法 4、编网法
二、应用
例 设表示由父、子、女、邻居、母五人组成的 集合，请陌生人对这五个人按相貌相像程度 进行打分得到模糊相似矩阵为：
1 0.8 0.6 0.1 0.2
0.8
1
0.8 0.2 0.85
R 0.6 0.8 1 0 0.9