beat365官方网站真正案例导向，把算法讲通俗，把案例讲细致，把编程实现的技术细节讲明白，把案例体现的建模方法既要融入又要提炼出来加以应用。

　　用数学的眼光看世界，现象分为确定性现象、随机现象、模糊现象（如“今天天气有点冷”，“小伙子很高”等）。模糊理论的基本思想是，用属于程度代替属于或不属于（如某人属于高个子的程度为0.8）。

　　Y=“年轻”也是U的一个子集，只是不同的年龄段隶属于这一集合的程度不一样，Zadeh给出它的隶属度函数（图2）：

　　多数资料为了简单，并不做模糊合成，而是做矩阵乘法。我们编写了上述 5 种模糊合成算子的Matlab实现：

　　，称为因素集。由于各种因素所处地位和作用的不同，考虑用权重向量A = \{ a_1, a_2, \cdots, a_n\}来衡量。实际中该权重向量可以借助层次分析法等来计算。

　　例如，某件衣服，对于“色彩”， 80% 的评委认为是“好”，10% 的评委认为是“一般”，10% 的评委认为是“差”。则该件衣服的 “色彩”

　　进行归一化处理，再根据最大隶属度原则做出判断。例如，计算出B = [0.7, 0.16, 0.14]，由于

　　中最大数 0.7 出现在第 1 位置，即总体评语隶属于 第 1 个评语“好”的程度是 0.7，故“好”就是该件衣服的最终评判结果。五、隶属度函数“正确地”确定隶属函数是应用模糊理论恰如其分地定量刻划模糊概念的基础，也是利用模糊方法解决各种实际问题的关键。常用的方法：直觉方法，二元对比排序法，模糊统计试验法，最小模糊度法（根据先验知识和采集的数据，确定出描述模糊概念的候选隶属函数，利用最小化模糊度的原则计算相关的参数，进而获得合适的隶属函数）。

　　隶属度函数的理解：以梯形隶属度函数为例，比如某指标值最优区间是[5, 10], 则落在该区间内的该指标值，我们认为都是“最优”的，但 4.99 呢？我们不希望从5直接就到不是“最优”，而是让它们有一个自然的过度，比如取 [4,5] 和 [10, 11] 线性过度到不是“最优”，那么关于 4.7 这个点，有\frac{4.7 -4 }{5-4} =0.7

　　但是它们只是针对上述图中的中间图形，两边的图形可以通过将隶属度函数的参数特殊处理得到，不过不太方便使用。为此，自己编写了函数来实现：

　　许国根，贾瑛. 模式识别与智能计算的Matlab实现，北京：北京航空航天大学出版社，2012