[논문 리뷰] Convergence, Strong Law of Large Numbers, and Measurement Theory in the Language of Fuzzy Variables

Adam Bzowski, Michał K. Urbański|ArXiv.org|2009. 03. 05.

Fuzzy Systems and Optimization참고 문헌 26인용 수 3

한 줄 요약

이 논문은 압축 거리 공간에서 α-컷을 통한 퍼지 집합의 수렴을 정의하고, 아르키메데스 t-노름을 사용한 퍼지 변수에 대한 강한 대수법칙을 증명하며, 퍼지 글리벤코-칸텔리 정리를 제안함으로써 퍼지 측도 이론에 엄밀한 기반을 마련한다. 또한 확률-가능성 변환을 피하고 일관된 시뮬레이션과 추론을 가능하게 하는 직접적 추정 방법을 통해 경험 데이터로부터 퍼지 소속 함수를 추정한다.

ABSTRACT

In the paper we define the convergence of compact fuzzy sets as a convergence of alpha-cuts in the topology of compact subsets of a metric space. Furthermore we define typical convergences of fuzzy variables and show relations with convergence of their fuzzy distributions. In this context we prove a general formulation of the Strong Law of Large Numbers for fuzzy sets and fuzzy variables with Archimedean t-norms. Next we dispute a structure of fuzzy logics and postulate a new definition of necessity measures. Finally, we prove fuzzy version of the Glivenko-Cantelli theorem and use it for a construction of a complete fuzzy measurement theory.

연구 동기 및 목표

• 확률 이론과 유사한 일관된 퍼지 변수와 그 수렴 이론을 개발한다.
• 거리 공간의 컴팩트 부분집합 위상에서 α-컷을 통한 퍼지 집합의 수렴을 정의한다.
• 아르키메데스 t-노름을 사용하여 퍼지 변수에 대한 강한 대수법칙을 증명한다.
• 경험적 데이터로부터 소속 함수를 추정하기 위한 퍼지 글리벤코-칸텔리 정리를 수립한다.
• 확률-가능성 변환에 의존하지 않는 완전한 퍼지 측도 이론을 구축한다.

제안 방법

• 거리 공간의 컴팩트 부분집합 위상에서의 하우스도르프 위상에서 α-컷의 수렴으로서 컴팩트 퍼지 집합의 수렴을 정의한다.
• 가능성 공간에서 퍼지 집합로의 사상으로서 퍼지 변수를 정의하고, α-컷 수렴을 통해 수렴을 정의한다.
• 아르키메데스 t-노름을 사용하여 퍼지 논리 연산을 모델링하고, 퍼지 변수에 대한 강한 대수법칙을 도출한다.
• 위치 통계(모드, 중앙값)를 적용하여 경험 데이터로부터 직접 α-컷을 추정한다.
• 경험적 퍼지 분포가 진짜 퍼지 분포로 점별 및 균일 수렴함을 보여줌으로써 퍼지 글리벤코-칸텔리 정리를 증명한다.
• 연속적이고 엄격하게 감소하는 부정 연산자를 사용하여 필요도 측도의 새로운 정의를 제안하며, 표준 퍼지 논리 체계를 일반화한다.

실험 결과

연구 질문

• RQ1 어떻게 위상적 프레임워크에서 α-컷을 통해 퍼지 집합의 수렴을 엄밀히 정의할 수 있는가?
• RQ2 강한 대수법칙의 적절한 퍼지 대응은 무엇이며, 어떤 조건에서 성립하는가?
• RQ3 경험적 퍼지 분포에 대해 글리벤코-칸텔리 유형 정리를 수립할 수 있으며, 이는 퍼지 데이터 추정에 어떤 의미를 갖는가?
• RQ4 확률-가능성 변환 없이 경험 데이터로부터 퍼지 과정의 소속 함수를 직접 추정할 수 있는가?
• RQ5 t-노름과 부정 연산은 일관된 퍼지 측도 이론을 구축하는 데 어떤 역할을 하는가?

주요 결과

• 논문은 경험적 퍼지 분포가 진짜 퍼지 분포로 점별 수렴과 균일 수렴을 보임을 증명하여, 퍼지 글리벤코-칸텔리 정리를 수립한다.
• 경험적 퍼지 집합의 α-컷이 기저 퍼지 과정의 진짜 α-컷으로 수렴함을 보이며, 소속 함수의 직접 추정이 가능해진다.
• 아르키메데스 t-노름 하에서 퍼지 변수에 대한 강한 대수법칙이 증명되어 표본 평균이 기대 퍼지 값으로 거의 확실히 수렴함을 보여준다.
• 퍼지 변수의 수렴이 하우스도르프 거리에서의 α-컷 수렴과 동치임을 보이며, 퍼지 극한 이론에 위상적 기반을 제공한다.
• 연속적이고 엄격하게 감소하는 부정 연산자를 사용하여 필요도 측도의 새로운 정의를 제안하며, 비엄격한 t-노름으로의 일반화를 가능하게 하면서도 논리적 일관성을 유지한다.
• 논문은 역 소속 함수를 사용하여 퍼지 변수를 시뮬레이션할 수 있음을 보이며, 확률 기반의 역변환 방법을 퍼지 맥락으로 일반화한다.