[论文解读] Convergence, Strong Law of Large Numbers, and Measurement Theory in the Language of Fuzzy Variables

Adam Bzowski, Michał K. Urbański|ArXiv.org|Mar 5, 2009

Fuzzy Systems and Optimization参考文献 26被引用 3

一句话总结

本文通过在紧致度量空间中利用 α-截集定义模糊集合的收敛性，为模糊测量理论建立了严格的理论基础，证明了在阿基米德 t-范数下模糊变量的强大大数定律，并提出了模糊 Glivenko–Cantelli 定理。该研究提出了一种直接从经验数据估计模糊隶属函数的方法，基于 α-截集收敛性，避免了概率-可能性转换，从而实现了对模糊过程的一致性模拟与推断。

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.

研究动机与目标

• 开发模糊变量及其收敛性的统一理论，类比于概率论。
• 通过紧致度量空间中紧致子集的拓扑结构，利用 α-截集定义模糊集合的收敛性。
• 在阿基米德 t-范数下，证明模糊变量的强 Law of Large Numbers。
• 建立模糊经验分布的 Glivenko–Cantelli 定理，用于隶属函数的经验估计。
• 构建一个不依赖于概率-可能性转换的完整模糊测量理论。

提出的方法

• 将紧致模糊集合的收敛性定义为在度量空间紧致子集上的 Hausdorff 拓扑中，其 α-截集的收敛性。
• 将模糊变量定义为从可能性空间到模糊集合的映射，其收敛性通过 α-截集收敛性来定义。
• 使用阿基米德 t-范数来建模模糊逻辑运算，并推导出模糊变量的强 Law of Large Numbers。
• 应用位置统计（模值、中位数）直接从经验数据估计 α-截集。
• 通过证明经验模糊分布相对于真实模糊分布的逐点收敛与一致收敛，建立模糊 Glivenko–Cantelli 定理。
• 提出一种基于连续严格递减否定函数的必要性测度新定义，推广标准模糊逻辑结构至更一般情形。

实验结果

研究问题

• RQ1 如何在拓扑框架下，基于 α-截集严格定义模糊集合的收敛性？
• RQ2 模糊变量的强 Law of Large Numbers 的适当模糊类比是什么？在何种条件下成立？
• RQ3 能否为模糊经验分布建立类似 Glivenko–Cantelli 的定理？其对模糊数据估计意味着什么？
• RQ4 如何直接从经验数据估计模糊过程的隶属函数，而无需进行概率-可能性转换？
• RQ5 t-范数与否定函数在构建一致模糊测量理论中扮演何种角色？

主要发现

• 本文证明了经验模糊分布相对于真实模糊分布实现逐点收敛与一致收敛，从而确立了模糊 Glivenko–Cantelli 定理。
• 证明了经验模糊集合的 α-截集收敛于底层模糊过程的真实 α-截集，从而实现了对隶属函数的直接估计。
• 在阿基米德 t-范数下，证明了模糊变量的强 Law of Large Numbers，表明样本均值以几乎必然方式收敛于期望模糊值。
• 证明了模糊变量的收敛性等价于其 α-截集在 Hausdorff 距离下的收敛性，为模糊极限理论提供了拓扑基础。
• 提出了一种基于连续严格递减否定函数的必要性测度新定义，使其可推广至非严格 t-范数，同时保持逻辑一致性。
• 本文表明，可通过反隶属函数对模糊变量进行模拟，将基于概率的反变换方法推广至模糊情境。