Mingsheng Ying∗
Abstrak
Karena pembilang memiliki kemampuan meringkas properti dari suatu
kelas objek tanpa menyebutkannya, kuantifikasi linguistik adalah topik yang
sangat penting dalam bidang representasi dan penalaran pengetahuan
tingkat tinggi. Makalah ini memperkenalkan kerangka kerja baru untuk
pemodelan bilangan dalam bahasa alami di mana setiap pembilang linguistik
diwakili oleh keluarga ukuran fuzzy, dan nilai kebenaran dari proposisi
terukur dievaluasi dengan menggunakan integral Sugeno. Kerangka kerja ini
memungkinkan kita memiliki beberapa sifat logis yang elegan dari bilangan
linguistik. Kami membandingkan dengan hati-hati model baru penghitungan
dan pendekatan lain untuk pengukur linguistik. Serangkaian kriteria untuk
penghitungan linguistik telah diusulkan dalam literatur sebelumnya.
Hubungan antara kriteria ini dan hasil yang diperoleh dalam makalah ini
diklarifikasi. Beberapa aplikasi sederhana dari semantik integral bilangan
Sugeno disajikan.
1. pengantar
1
10403)
2
Pada awal tahun 1957, Mostowski [29] mengusulkan gagasan umum tentang
pembilang umum dan menunjukkan bahwa logika orde pertama dengan kelas
bilangan umum tidak dapat aksiomatizable. Pekerjaan ini bersama-sama dengan
orang lain memulai subjek logika teori model.
Barwise dan Cooper [2] memulai studi bilangan umum dalam bahasa alami.
Sejak itu, berbagai macam bilangan umum yang kaya dalam bahasa alamiah telah
ditemukan, dan kekuatan ekspresif serta sifat logisnya telah diselidiki dengan
cermat dari aspek semantik dan sintaksis. Secara khusus, van Benthem [36]
memandang pembilang umum sebagai hubungan pada himpunan bagian dari
alam semesta wacana, dan secara sistematis memeriksa berbagai perilaku
relasional dari bilangan umum seperti refleksivitas, simetri, transitivitas,
linearitas dan monotonisitas dan peran mereka dalam mewujudkan tertentu. pola
inferensi. Untuk review terbaru tentang teori bilangan umum dalam bahasa
alami, kami mengacu pada [24].
Telah dengan jelas disadari dalam komunitas kecerdasan buatan bahwa
bahasa alami cocok untuk representasi pengetahuan tingkat tinggi [26, 33]. Ini
memang salah satu motivasi utama komputasi dengan kata-kata [25, 50, 57].
Namun, logika klasik tidak cukup untuk menghadapi ketidakpastian esensial,
ketidakjelasan dan ambiguitas penalaran manusia yang diekspresikan dalam
bahasa alami. Akibatnya, perlakuan logis dan model matematika dari konsep
ketidakpastian, ketidakjelasan dan ambiguitas semakin penting dalam
kecerdasan buatan dan penelitian terkait, dan banyak ahli logika telah
mengusulkan sistem logika yang berbeda sebagai formalisasi penalaran di bawah
ketidakpastian, ketidakjelasan dan ambiguitas (lihat, misalnya, [3, 47, 44, 45, 46,
49], [11],
bab III.1, atau [19], bab 7).
Karena pembilang memiliki kemampuan meringkas properti kelas objek
tanpa menghitungnya, kuantifikasi linguistik adalah topik yang sangat penting
dalam bidang representasi dan penalaran pengetahuan. Pengukur dalam bahasa
alami biasanya tidak jelas dalam beberapa hal. Beberapa contoh perwakilan
bilangan linguistik dengan ketidakjelasan adalah [56]: beberapa, sebagian besar,
banyak, tidak banyak, sangat banyak, tidak sangat banyak, sedikit, cukup sedikit,
jumlah besar, jumlah kecil, mendekati lima, kira-kira sepuluh, sering. Jelas
bahwa logika dua nilai tidak cocok untuk mengatasi bilangan yang tidak jelas.
Oleh karena itu, ada peningkatan minat tentang perlakuan logis dari pengukur
dalam bahasa manusia dalam komunitas logika fuzzy. Memang, terkadang logika
fuzzy memungkinkan representasi yang lebih tepat dari jenis pembilang dalam
berbagai bahasa alami.
Pendekatan teori himpunan fuzzy pertama untuk bilangan linguistik
dijelaskan oleh Zadeh [55, 56]. Dalam pendekatannya, bilangan linguistik
diperlakukan sebagai bilangan fuzzy dan dapat dimanipulasi melalui penggunaan
aritmatika untuk bilangan fuzzy. Evaluasi kebenaran dari pernyataan yang
dikuantifikasi secara linguistik dilakukan dengan menghitung kardinalitas dari
himpunan fuzzy yang ditentukan oleh predikat linguistik dalam pernyataan
tersebut dan kemudian dengan menemukan sejauh mana kardinalitas ini
kompatibel dengan pembilang yang terlibat. Sejak itu, sejumlah besar literatur [1,
4, 5, 6, 7,
9, 10, 12, 15, 16, 17, 18, 30, 31, 32, 42, 43, 51, 52] telah dikhususkan untuk studi
bilangan linguistik dalam kerangka teori himpunan fuzzy. Misalnya, di a
serangkaian makalah [39, 40, 41], Yager mengusulkan metode substitusi untuk
mengevaluasi proposisi terkuantifikasi dan metode berdasarkan operator OWA.
Untuk survei, lihat [27, 28].
Di sisi lain, model kuantifikasi fuzzy digunakan dalam memecahkan berbagai
macam masalah dari berbagai bidang seperti query database [7, 23],
penambangan data dan penemuan pengetahuan [7, 25], fusi informasi [21, 25],
pengambilan keputusan kelompok dan pengambilan keputusan multi-objektif
[20, 40], pembelajaran induktif [21], dan optimasi dan kontrol [22].
Makalah ini memperkenalkan kerangka kerja baru untuk pemodelan bilangan
dalam bahasa alami. Dalam kerangka ini, bilangan linguistik diwakili oleh ukuran
fuzzy Sugeno [35]. Lebih tepatnya, pembilang Q dipandang sebagai kelompok
ukuran fuzzy yang diindeks oleh himpunan tidak kosong. Untuk setiap himpunan
tidak kosong X, pembilang Q terbatas pada alam semesta wacana X didefinisikan
sebagai ukuran fuzzy QX pada X, dan untuk setiap subset E dari X, kuantitas QX
(E) mengungkapkan nilai kebenaran dari pernyataan terkuantifikasi "Q Xs are As
”ketika A adalah predikat tajam dan himpunan elemen dalam X yang memenuhi
A adalah E. Seperti diketahui, predikat dalam pernyataan yang dikuantifikasi
secara linguistik seringkali juga tidak jelas. Dalam kasus umum ini, nilai
kebenaran dari proposisi terkuantifikasi kemudian dievaluasi dengan
menggunakan integral Sugeno [35].
Keuntungan dari kerangka kerja ini adalah memungkinkan kita untuk
memiliki beberapa sifat logis dari bilangan linguistik. Sebagai contoh, kita dapat
menetapkan teorema bentuk normal preneks untuk bilangan linguistik (lihat
Korolari 34). Harus ditunjukkan bahwa makalah ini hanya membahas
peningkatan bilangan karena pengukuran fuzzy mengasumsikan monotonisitas.
Jadi, bilangan seperti beberapa, sedikit, cukup sedikit, jumlah kecil, tidak banyak,
tidak terlalu banyak, mendekati lima, sekitar sepuluh tidak dapat dimodelkan
dalam pengaturan yang kami usulkan.
Makalah ini disusun sebagai berikut. Untuk kenyamanan pembaca, di Bagian
2 kami meninjau beberapa gagasan dan hasil dari teori pengukuran fuzzy dan
integral Sugeno. Dalam Bagian 3, bilangan (linguistik) secara formal
didefinisikan dalam istilah ukuran fuzzy, dan beberapa operasi bilangan
diperkenalkan. Di Bagian 4, kami membangun bahasa orde pertama dengan
bilangan linguistik dan semantik saat ini dari bahasa logis tersebut. Secara
khusus, penilaian kebenaran dari formula terkuantifikasi diberikan dengan
menggunakan integral Sugeno. Bagian 5 dikhususkan untuk memeriksa secara
menyeluruh sifat logis dari bilangan linguistik. Secara khusus, kami
membuktikan teorema bentuk normal preneks untuk rumus logis dengan
bilangan linguistik. Di Bagian 6, pengertian bilangan kardinal dan numerik
diperkenalkan sehingga kita dapat membangun hubungan erat antara semantik
integral Sugeno dan semantik bilangan linguistik berbasis kardinalitas Zadeh. Di
Bagian 7, kami menyajikan beberapa aplikasi sederhana untuk menggambarkan
kegunaan hasil yang diperoleh dalam makalah ini. Di Bagian 8, pendekatan
integral Sugeno kami untuk evaluasi pernyataan terkuantifikasi dibandingkan
dengan yang lain. Serangkaian kriteria untuk penghitungan linguistik telah
diusulkan dalam literatur sebelumnya. Hubungan antara kriteria ini dan hasil
yang diperoleh dalam makalah ini diperjelas. Kami menarik kesimpulan dan
menunjukkan beberapa masalah untuk studi lebih lanjut di Bagian 9. kami
menyajikan beberapa aplikasi sederhana untuk menggambarkan kegunaan dari
hasil yang diperoleh dalam makalah ini. Di Bagian 8, pendekatan integral Sugeno
kami untuk evaluasi pernyataan terkuantifikasi dibandingkan dengan yang lain.
Serangkaian kriteria untuk penghitungan linguistik telah diusulkan dalam
literatur sebelumnya. Hubungan antara kriteria ini dan hasil yang diperoleh
dalam makalah ini diperjelas. Kami menarik kesimpulan dan menunjukkan
beberapa masalah untuk studi lebih lanjut di Bagian 9. kami menyajikan
beberapa aplikasi sederhana untuk menggambarkan kegunaan dari hasil yang
diperoleh dalam makalah ini. Di Bagian 8, pendekatan integral Sugeno kami
untuk evaluasi pernyataan terkuantifikasi dibandingkan dengan yang lain.
Serangkaian kriteria untuk penghitungan linguistik telah diusulkan dalam
literatur sebelumnya. Hubungan antara kriteria ini dan hasil yang diperoleh
dalam makalah ini diperjelas. Kami menarik kesimpulan dan menunjukkan
beberapa masalah untuk studi lebih lanjut di Bagian 9. Hubungan antara kriteria
ini dan hasil yang diperoleh dalam makalah ini diperjelas. Kami menarik
kesimpulan dan menunjukkan beberapa masalah untuk studi lebih lanjut di
Bagian 9. Hubungan antara kriteria ini dan hasil yang diperoleh dalam makalah
ini diperjelas. Kami menarik kesimpulan dan menunjukkan beberapa masalah
untuk studi lebih lanjut di Bagian 9.
2. Kabur Pengukuran dan Integral Sugeno
Ini adalah bagian pendahuluan. Pada bagian ini, kita akan mengulas beberapa
pengertian dan hasil fundamental yang diperlukan dalam sekuel dari teori
pengukuran fuzzy dan integral Sugeno. Untuk detailnya, kami merujuk ke [35]
atau [11], Bab 5.
Teori pengukuran fuzzy dan integral awalnya dikemukakan oleh Sugeno [35].
Pengukuran fuzzy adalah generalisasi dari pengertian pengukuran dalam analisis
matematis, dan ini melonggarkan kondisi aditif untuk pengukuran biasa dan
hanya mengasumsikan monotonisitas. Dengan demikian, pengukuran fuzzy
sangat umum, dan pengukuran probabilitas, pengukuran kemungkinan Zadeh,
fungsi kepercayaan Shafer antara lain [37] ditunjukkan sebagai kasus khusus dari
pengukuran fuzzy. Integral Sugeno dapat dianalogikan dengan integral Lebesgue.
Perbedaan di antara mereka adalah bahwa penjumlahan dan perkalian dalam
definisi integral Lebesgue diganti masing-masing oleh operasi "min" dan "max"
ketika integral Sugeno dipertimbangkan. Sejak awal, teori pengukuran dan
integral Sugeno telah diterapkan di bidang evaluasi subyektif,
Ukuran fuzzy pada himpunan X adalah fungsi yang didefinisikan pada
beberapa himpunan bagian X. Secara umum, domain dari ukuran fuzzy dapat
dianggap sebagai keluarga monoton∅ yang merupakan himpunan himpunan
bagian dari X yang mengandung dan X itu sendiri dan ditutup di bawah batas
sekuens monoton dari subset X. Namun dalam makalah ini kami memfokuskan
perhatian kami pada kelas khusus keluarga monoton yang disebut bidang Borel.
Contoh umum bidang Borel di atas himpunan tidak kosong X adalah himpunan daya 2X
X. Memang, dalam makalah ini, kami terutama akan mempertimbangkan bidang Borel khusus
ini.
Definisi 2. ([35], Definisi 2.3) Jika X adalah himpunan tidak kosong dan ℘
adalah bidang Borel di atas X, maka (X, ℘) disebut ruang terukur.
Definisi 3. ([35], Definisi 2.2 dan 2.4) Misalkan (X, ℘) menjadi ruang yang dapat diukur.
Jika fungsi himpunan m: ℘ → [0, 1] memenuhi properti
berikut: (1) m (∅) = 0 dan m (X) = 1;
(2) (Monotonicity) Jika E, F ∈ ℘ dan E ⊆ F, maka m (E) ≤ m (F); dan
(3) (Kontinuitas) Jika En ∈ ℘ untuk 1 ≤ n <∞ dan {En} monoton, maka
m(lim
n→ ∞ En) = lim m(En),
n→
∞
kemudian m disebut ukuran fuzzy atas (X, ℘), dan (X, ℘, m) disebut ruang ukuran
fuzzy.
(2) Jika kita mendefinisikan π (x) = 1 untuk semua x ∈ X, maka mudah untuk melihat
bahwa untuk E ⊆ X,
. ƒ ∅
1, jika πE =,
Π= 0, jika tidak.
m∗ ( E) = 1 - m(X - E)
untuk setiap E ∈ ℘.
Itu adalah mudah untuk Lihat bahwa m∗ adalah Sebuah kabur mengukur oveh (X, ℘) terlalu.
Contoh berikut memberikan dua ukuran kemungkinan, ukuran kebutuhan.
Ini akan digunakan dalam mendefinisikan pembilang universal.
untuk setiap E ⊆ X, dan ini disebut ukuran kebutuhan yang diinduksi oleh π.
∗
(1) Itu adalah menarik untuk catatan0 bahwa0 Nπx = 0Π πx = Ππx .
(2) Jika π (x) = 1 untuk setiap x ∈ X, maka
.N()
Eπ= 1, jika E = X,
0, jika tidak.
Lemma 8. ([35], Proposisi 3.1 dan 3.2) Jika h, h1 dan h2: X → [0, 1] semuanya
℘−fungsi terukur, maka 1 - h, min (h1, h2) dan max (h1, h2), dimana
(1 - h) (x) = 1 - h (x),
min (h1, h2) (x) = min (h1 (x), h2 (x))
dan
maks (h1, h2) (x) = max (h1 (x), h2 (x)).
untuk setiap x ∈
X. Q
Definisi 9. ([35], Definisi 3.1 dan Halaman 19) Misalkan (X, ℘, m) menjadi
ruang ukuran∈→ fuzzy. Jika A ℘ dan h: X- [0, 1] adalah ℘ fungsi terukur, maka
integral Sugeno dari h atas A ditentukan oleh
∫
h ◦ m = sup min [λ, m (A ∩ Hλ)],
SEBUAH
λ∈[0,1]
dimanaHλ = {x∫∈ X: h (x) ≥ λ} untuk setiap λ ∈ [0, 1]. Secara khusus, ∫ SEBUAH h ◦ m akan b e
disingkat h ◦ m setiap kali A =
X.
Lemma berikutnya memberikan definisi alternatif integral Sugeno untuk
kasus bahwa bidang Borel dalam ruang terukur dianggap sebagai himpunan daya
dari set yang mendasari.
Lemma 10. ([35], Teorema 3.1) Jika bidang Borel ℘ dalam ruang ukur fuzzy
(X, ℘, m) adalah himpunan daya 2X dari X, maka untuk fungsi apa pun h: X → [0,
1], kita memiliki: ∫
Lemma 11. ([35], Teorema 4.1) Misalkan X = {x1, ..., xn} adalah himpunan
berhingga, dan misalkan h: → [0, 1] sedemikian sehingga h (xi) ≤ h (xi + 1) untuk
1 ≤ i ≤ n - 1 (jika tidak jadi, susun kembali h (xi), 1 ≤ i ≤ n). Kemudian
n
∫ h ◦ m = maks min [j (x),
s m (A ∩ X)],
s
S sa a a
E ya
di mana Xi = {xj: i ≤ i ≤ n} untuk 1 ≤ i ≤ n. Q
Kami sekarang mengumpulkan beberapa properti integral Sugeno yang diperlukan dalam
hal berikut.
Lemma 12. ([35], Proposisi 3.4 dan 3.5, Teorema 3.2 dan 3.5) Misalkan (X,
℘, m) adalah ruang ukuran fuzzy.
(1) Misalkan ∈ [0, 1]. Kemudian memegang itu
∫ Sebuah ◦ m = a,
dimana "a" di sisi kiri dilihat sebagai fungsi konstanta a: X → [0, 1] sedemikian rupa
Sebuah(x) = a untuk setiap x ∈ X.
(2) Misalkan h, hj:
→ X- [0, 1]
menjadi dua ℘ fungsi yang dapat diukur. ≤ Jika h hJ, lalu ada
pegangan
∫ h ◦ m ≤ ∫ hJ ◦ m.
Selain itu, untuk setiap ℘ − fungsi terukur h1, h2: → [0, 1], kita memiliki:
Secara khusus, pertidaksamaan pertama menjadi sama jika m adalah ukuran kemungkinan.
(3) Membiarkan
∈ → Sebuah [0, 1] dan biarkan
- h: X [0, 1] menjadi ℘
fungsi terukur. Lalu di sana terus
∫ maks (a, h) ◦ m = maks (a, ∫ h ◦ m),
∫ min (a, h) ◦ m = min (a, ∫ h ◦ m),
di mana "a" di sisi kiri adalah seperti pada (1). Q
Dapat diamati bahwa pengukuran fuzzy didefinisikan di atas set yang tajam
sebelumnya. Untuk menyimpulkan bagian ini, kami memperkenalkan gagasan
perluasan ukuran fuzzy atas himpunan fuzzy. Zadeh [54] memperkenalkan
perluasan alami dari ukuran probabilitas pada himpunan fuzzy. Dengan cara
yang sama, perluasan ukuran fuzzy pada himpunan fuzzy dapat didefinisikan.
Definisi 13. ([35], Definisi 3.7) Misalkan (X, ℘, m) menjadi ruang ukur fuzzy
dan misalkan ℘ adalah himpunan himpunan bagian fuzzy dari X dengan ℘ −
fungsi keanggotaan terukur.
Kemudian itu dari m on ℘ didefinisikan oleh
perpanjangan m˜ ˜ m˜ ( h) = ∫ h ◦ m
3. Kabur Pengukur
Banyak versi definisi teoretis himpunan fuzzy dari pengukur linguistik telah
diperkenalkan dalam literatur sebelumnya. Dalam makalah ini, kami mengambil
titik awal yang berbeda, dan pengukur linguistik akan diwakili oleh keluarga
ukuran fuzzy. Kami pertama kali memberikan definisi formal dari pengukur fuzzy
dalam kerangka baru ini. Untuk melakukan ini, diperlukan notasi baru. Untuk
setiap ruang terukur (X, ℘), kita tulis M (X, ℘) untuk himpunan semua ukuran
fuzzy pada (X, ℘).
dari kelas (tepat) {M (X, ℘X): (X, ℘X) adalah ruang terukur}.
Contoh 16. Untuk setiap set X dan untuk setiap E ⊆ X, kami tentukan
mostX (E) = (| E |) 3 ,
2
|X|
µ([En) = Σ µ (En),
n= n=
1 1
kapanpunEn ∞n = 1 adalah subkelompok pemisah berpasangan yang dapat dihitung dari ℘. Lalu
{ }
kita mungkin
menetapkan
manyX(E) = µ(E)
µ(X),
µ(E) 32
mostX(E) = ( ) ,
µ(X
)
Q∗ (E) d = ef 1 -
QX X (X - E),
Contoh 19. (1) Bilangan universal dan eksistensial adalah bilangan ganda
satu sama lain: ∀ ∗ = ∃ dan ∃ ∗ = ∀.
(2) Untuk himpunan terbatas tidak kosong X dan untuk setiap E ⊆ X,
Kami pertama membangun bahasa logis urutan pertama Lq dengan bilangan linguistik.
Alfabet bahasa kita Lq diberikan sebagai berikut:
(1) Satu set variabel individual yang tak terhitung banyaknya: x0, x1, x2, ...;
∞
(2) SEBUAH set F = ∪ n= 0Fn dari predikat simbol, dimana F n adalah itu
set dari semua n-predikat tempat simbol untuk setiap n ≥ 0. Diasumsikan bahwa
∞
∪ n= 1Fn ƒ = ∅;
(3) Penghubung proposisional: ∼, ∧; dan
(4) Tanda kurung: (,).
Sintaks bahasa Lq kemudian disajikan dengan definisi berikut.
Definisi 21. Himpunan Wff dari rumus yang dibentuk dengan baik adalah
himpunan string simbol terkecil yang memenuhi kondisi berikut:
(i) Jika≥∈n 0, F Fn, dan y1, ..., yn adalah variabel individual, maka F
(y1, ..., yn) Wff; ∈
(ii) Jika Q adalah pembilang, x adalah variabel individu, dan
∈ ϕ Wff, lalu
(Qx) ϕ Wff; dan
(iii) Jika ϕ, ϕ1, ϕ2 ∈ Wff, maka ∼ ϕ, ϕ1 ∧ ϕ2 ∈ Wff.
ϕ∨ψ d
=ef∼ (∼ ϕ∧ ∼ ψ),
def
ϕ → ψ = ∼ ϕ ∨ ψ,
def
ϕ ↔ ψ = (ϕ → ψ) ∧ (ψ → ϕ).
Pengertian variabel terikat dan variabel bebas dapat diperkenalkan dengan
cara standar. Kami menghilangkan definisi terperinci mereka di sini tetapi
menggunakannya secara bebas dalam sekuelnya.
Semantik bahasa kita Lq diberikan oleh dua definisi berikutnya.
Definisi 22. Interpretasi I dari bahasa logis kami terdiri dari item berikut:
(i) Sebuah ruang terukur (X, ℘), disebut domain I;
(ii) Untuk setiap n ≥ 0, kita mengasosiasikan variabel individu xi dengan elemen
s xI
di X; dan a
(iii) Untuk sembarang n ≥ 0 dan untuk setiap F ∈ Fn, ada fungsi ℘n − terukur
FI : Xn → [0, 1].
untuk semua
∈ u { } X, dan saya u / x adalah interpretasi yang berbeda
dari I hanya dalam penetapan variabel individu x, yaitu, xI {u / x} = u; dan
(iii) Jika ϕ = ∼ ψ, maka
TI(ϕ) = 1 - TI (ψ),
dan jika ϕ = ϕ1 ∧ ϕ2, maka
TI(ϕ) = min (TI (ϕ1), TI (ϕ2)).
Proposisi berikut menetapkan hubungan dekat antara evaluasi kebenaran
pernyataan terkuantifikasi dan perluasan ukuran fuzzy pada himpunan fuzzy.
Proposisi 24. Misalkan Q menjadi pembilang dan x variabel individu, dan biarkan
ϕ ∈ Wff. Kemudian untuk interpretasi apa punsaya,
TI((Qx) ϕ) = Q˜ X (TI(ϕ),
TI((Qx) ϕ) = TI (ϕ).
TI((Qx) ϕ) = sup
µ∈[0,1] min (µ, QX ({u ∈ X: Tsaya{u / x}(ϕ) ≥ µ}))
≥ min (λ, QX({u ∈ X: Tsaya{u / x}(ϕ) ≥ λ})) ≥ λ.
Sebaliknya jika
TI((Qx) ϕ) = sup min (inf Tsaya{u / x}(ϕ), QX (F)) ≥ λ,
F ⊆X u∈F
Tujuan utama dari bagian ini adalah untuk menetapkan berbagai sifat logis
bilangan linguistik. Untuk menyajikan properti ini dengan cara yang ringkas,
diperlukan beberapa pengertian meta-logis.
Bukti. (1) Bagian "hanya jika" merupakan konsekuensi langsung dari Lemma
12 (2). Untuk bagian "jika", biarkan saya menjadi interpretasi dan X menjadi
domain I. Kami ingin menunjukkan
bahwaTI
ke x, (ϕ1) ≤ TI (ϕ2). Kami menetapkan QX = Ππxsaya , dimana x adalah penugasan dari I
saya
dan Ππ I adalah ukuran fuzzy yang diinduksi oleh distribusi kemungkinan
x
tunggal πxsaya (lihat Contoh 4 (1)). Kemudian
| dari (Qx) ϕ1 = (Qx) ϕ2 dan
perhitungan sederhana kita tahu itu
TI(ϕ1 ) = ∫ Tsaya {./x} (ϕ1 ) ◦ Ππxsaya
= TI ((Qx) ϕ1) ≤ TI ((Qx) ϕ2)
∫
= Tsaya {./x} (ϕ2 ) ◦ Ππxsaya = TI(ϕ2) .
TI((Qx) (ϕ1 ∨ ϕ2) = sup min [λ, QX({u ∈ X : maks (Tsaya u / x (ϕ1) , Tsaya u / x (ϕ2 ))
{ } { }
λ∈[0,1]
= sup ≥ λ})] mnt [λ, QX({u ∈ X : T
saya {u / x} (ϕ1 ) ≥ λ}
λ∈[0,1]
Bukti. Bagian "hanya jika" sudah jelas. Untuk bagian "jika", kita hanya perlu
menunjukkannya untuk setiap set X dan untuk E ⊆ X, Q1X (E) ≤ Q2X (E) apa
pun. Kita dapat menemukan beberapa P ∈ Fn dengan n> 0 karena diasumsikan
∞n = 1Fn =. Misalkan ϕ = P (x, ..., x)∪ƒdan pertimbangkan interpretasi I di mana
domainnya adalah X dan ∅
∈
. saya 1, jika
P. u1 =u ... = uun E,
, ...,
( )= 0, jika tidak. 1
Kemudian n
Proposisi 31. Untuk bilangan Q1, Q2, variabel individual x dan ϕ Wff,∈kami
memiliki:
(1) ((Q1 H Q2) x) ϕ ≡ (Q1x) ϕ ∧ (Q2x) ϕ;
(2) ((Q1 H Q2) x) ϕ ≡ (Q1x) ϕ ∨ (Q2x) ϕ.
≤ sup min (inf Tsaya{u / x}(ϕ), Q1X (F1 ∪ F2)), Q2X(F1 ∪ F2))
F1, F2⊆X u∈F1∪F2
≤ sup min (inf Tsaya{u / x}(ϕ), Q1X (F)), Q2X (F))
F u∈F
⊆X
= sup min (inf Tsaya{u / x}(ϕ), (Q1 H Q2) X (F))
F u∈F
⊆X
= TI (((Q1 H Q2) x)
ϕ).
(2) Membiarkan FX, λ = {u ∈ X: Tsaya{u / x}(ϕ) ≥ λ}.
Kemudian mengikuti
itu
TI(((Q1 H Q2) x) ϕ) = sup min [λ, (Q1 H Q2) X (FX, λ)]
λ
= sup min [λ, maks (Q1X (FX, λ), Q2X (FX, λ))]
λ
= sup max [min (λ, Q1X (FX, λ)), min (λ, Q2X (FX, λ))]
λ
= maks [sup min (λ, Q1X (FX, λ)), sup min (λ, Q2X (FX, λ))]
λλ
= maks (TI ((Q1x) ϕ), TI ((Q2x) ϕ))
= TI ((Q1x) ϕ ∨ (Q2x) ϕ). Q
tapi
Proposisi 32. Untuk pembilang Q dan untuk any apa pun,∈ψ Wff, jika
variabel individu x tidak bebas di ψ, maka kita memiliki:
di mana X adalah domain I. Karena x tidak gratis di ψ, mudah untuk melihat bahwa TI {u /
x} (ψ) =
TI(ψ) untuk setiap u ∈ X. Dengan Lemma 12 (3), kami memperoleh
Untuk menyimpulkan bagian ini, kita mengamati fungsi bilangan ganda. Perlu
dicatat bahwa validitas fuzzy | = F uz dalam proposisi berikut tidak dapat
diperkuat oleh validitas yang lebih ketat | =.
Proposisi 33. Untuk setiap pembilang Q dan untuk setiap ϕ ∈ Wff, ini berlaku
|=F uz∼ (Qx)ϕ ↔ (Q∗ x) ∼ ϕ,
dengan Q ∗ adalah rangkap dari Q.
Bukti. Kami
ψ1 =∼ (Qx)ϕ → (Q∗ x) ∼ ϕ
mengatur dan
ψ2 = (Q ∗ x) ∼ ϕ → ∼
(Qx)ϕ.
Kemudian untuk setiap interpretasi I dengan domain X, kami punya
∫ (1 - T 1
saya{ (ϕ)) ◦ Q∗X ≥
u / x} 2
dan TI (ψ1) ≥21 .
Sekarang kita beralih ke ψ2. Jelas itu
∗
TI(ψ2 ) = maks [1 - ∫ (1 - Tsaya {u / x} (ϕ)) ◦ QX , 1 - ∫ Tsaya {u / x} (ϕ) ◦ QX]
∗
= 1 - min [∫ (1 - Tsaya {u / x} (ϕ)) ◦ QX , ∫ Tsaya {u / x} (ϕ) ◦ QX].
dan QX (F0)> 1. Sekarang, untuk u ∈ F0, Tsaya{u / x}(ϕ) > 1 , 1 - Tsaya{u / x}(ϕ) < 1 , dan
Q∗X (X - F0 ) = 12 - QX(F0 ) < 1 .2 Kami akan menunjukkan
2
itu 2
∫ (1 - T saya{
(ϕ)) ◦ Q X
∗ = sup min [inf (1 - T saya{
(ϕ)), QX∗ (F)] ≤ 1.
F u∈ 2
u / x} u / x}
⊆X F
THai ini akhir, we hanya perlu untuk mendemonstrasikan bahwa untuk setiap
2
F ⊆ X, Q ∗ X (F )
≤ 1 atau
(ϕ)) ≤ 1.
inf (1 - saya{
u / x}
T
u∈F
2
∗
Di fakta, jika F ⊆ X - F0 , kemudian Q ∗ X (F ) ≤ Q X (X - F0 ) < 1 , dan jika F ƒ⊆ X - F0 ,
2
kemudian
ada u0 ∈ F ∩ F0 dan I engkapi
n buktiny
inf (1 - i a. Q saya{
(ϕ saya{u / x}
0
m u / x}
))
T e ≤1
u∈F l -T
(ϕ) 1
< .
2
6. Pengukur Kardinal
q : α ›→ qα ∈ m
(α) dari kelas {m (α): α adalah bilangan pokok}.
[q] X(E) d = ef q (| E |)
|X|
Contoh 37. Bilangan universal (∀) bukan bilangan pokok karena untuk
himpunan tak hingga X, ada kemungkinan X memiliki himpunan bagian E yang
tepat dengan | E | = | X |. Bilangan eksistensial (∃) adalah bilangan kardinal, dan
untuk bilangan pokok apa pun
.
α, β dengan α ≤ 1, jika β> 0,
β,
| ∃ |α(β) = 0, jika tidak.
Gagasan konsistensi awalnya diperkenalkan oleh Zadeh di [55], dan itu juga
telah digunakan oleh penulis lain untuk berfungsi sebagai ukuran kesamaan
antara dua set fuzzy [58]. Selain itu,
- kuantitas 1 Con (A, B) diperkenalkan sebagai
kelas inklusi dari himpunan fuzzy A dalam himpunan fuzzy B (lihat [11], halaman
25), di mana B adalah komplemen dari B, yaitu B (x) = 1 - B (x) untuk setiap x ∈
X.
Konsep kardinalitas fuzzy dari himpunan fuzzy juga diperlukan.
Definisi 39. Misalkan X adalah himpunan tidak kosong, dan misalkan A himpunan
tak jelas dari
X. Kemudian kardinalitas fuzzy dari A didefinisikan sebagai subset fuzzy FC (A) dari
{bilangan pokok α : α ≤ | X |} dengan
FC(A) (α) = sup {λ ∈ [0, 1]: | Aλ | = α}
untuk α ≤ | X |, di mana Aλ = {x ∈ X: A (x) ≥ λ} adalah potongan λ − dari A.
Contoh 40. Kita mengadopsi notasi Zadeh untuk himpunan fuzzy, yaitu
himpunan fuzzy A dari himpunan X dilambangkan dengan
Σ
SEBUAH = SEBUAH(x) / x.
x∈X
Misalkan X = {a1, a2, ..., a10}. Kami mempertimbangkan subset fuzzy A dari X berikut:
SEBUAH = 0.9 / a1 + 0.4 / a2 + 0.7 / a4 + 0.1 / a5 + 0.82 / a6 + 0.83 / a7 +
0.9 / a8 + 1 / a9 + 1 / a10.
Kemudian hasil perhitungan rutin
(lihat [56]). Dengan cara kedua, kardinalitas dari himpunan fuzzy A didefinisikan
sebagai himpunan bagian fuzzy dari bilangan bulat nonnegatif, dan contoh tipikal·
adalah FGCount
· …… (), FLCount () dan FECount () [56] dan Ralescu milik Zadeh ()
[31] . Jelas, FC () dalam Definisi
· 39 juga diberikan dengan cara kedua, tetapi di
sini kita prihatin tidak hanya himpunan hingga dan kardinalitas tak hingga yang
diperbolehkan juga. Selain itu, bahkan untuk kasus · kardinalitas terbatas, mudah
untuk mengamati
·… bahwa FC () berbeda dari FGCount (), FLCount (), FECount ()
dan card (). Kami tidak· akan memberikan perbandingan yang cermat tentang
mereka.
Sekarang kami dapat menyajikan hasil utama dari bagian ini. Ini menjelaskan
hubungan antara semantik integral Sugeno kami dari bilangan linguistik dan
pendekatan biasa berdasarkan kardinalitas.
di mana TI (ϕ) dianggap sebagai himpunan bagian fuzzy dari X dengan TI (ϕ) (u) = T saya{u /
x}(ϕ) untuk semua
u ∈ X, dan | Q | adalah bilangan numerik yang diinduksi oleh Q.
Bukti.
Kemudian rumus
logisnya
ϕ = (Qx) (P1 (x) ∧ ∼ P2 (x))
berarti bahwa “banyak hari (dalam minggu ini) berawan tapi tidak dingin”, dan nilai
kebenarannya
di bawah
3
saya TI(ϕ) = maks [min min (PI (u), 1 - PI ≈ 0.43.
(u))] = 7
E⊆X u∈E 12
dimana lambang H adalah singkatan dari linguistik predikat “sehat”. Kami ingin
menemukan pembilang linguistik yang sesuai dari Q1 = "beberapa", Q2 =
"setidaknya tiga", Q3 = "banyak", Q4 = "paling", Q5 = "hampir semua" dan Q6 =
"semua" untuk meringkas data di atas (lihat Contoh 15 dan 16 untuk definisi
bilangan ini). Dengan kata lain, kami berharap mendapatkan gambaran yang
tinggi tentang kondisi kesehatan seluruh kelompok pelajar ini. Peringkasan
semacam itu diharuskan memiliki nilai kebenaran yang tinggi, misalnya ≥ 0,7.
Dari tabel di atas, kami punya
def
E = {x ∈ X: H (x) ≥ 0.7} = {s1, s3, s4, s5, s7, s8, s9, s10}
dan
Q4X (E) = (| E
3
4
) 2= ( )32 > 0,7> (4) = (E).
| 5 Q5X
2
|X| 5
Dengan Proposisi 27 kita tahu itu
dimana I adalah interpretasi yang diberikan sesuai tabel di atas. Jadi, yang bisa
kami katakan adalah “sebagian besar siswa sehat”.
Contoh 44. Misalkan record atau entitas adalah daftar atribut, file adalah
kumpulan record dengan tipe yang sama, dan database adalah kumpulan file dari
berbagai tipe. Secara formal, tipe adalah tupel T = (x1, x2, ..., xk) dari nama
atribut. Untuk
≤ setiap ik, kami berasumsi bahwa himpunan nilai yang mungkin
dari atribut xi adalah Vi. Kemudian catatan tipe T dapat ditulis sebagai
dimana ai∈ V.saya adalah nilai atribut xi dalam catatan ini untuk setiap saya k.
Di sisi lain, kueri (lunak) tipe T dapat dirumuskan sebagai berikut:
q = ”Temukan semua record sedemikian rupa sehingga Q atributnya keluar
di mana Fj adalah file bertipe Tj, yaitu sekumpulan beberapa record dengan tipe
Tj≤ untuk setiap j m. Misalkan λ menjadi ambang batas yang ditentukan
sebelumnya. Jika derajat kecocokan suatu record R dan query q melebihi λ, maka
R dimasukkan ke dalam file output q. Oleh karena itu, file keluaran dari query q
diberikan sebagai
KELUARAN (q) = {R ∈ D: Jenis (R) = Jenis (q) dan Cocok (q, R) ≥ λ}.
Sekarang mari kita pertimbangkan pertanyaan konkret
q = ”Temukan semua record sedemikian rupa sehingga hampir semua atribut
keluar
{x1 kecil, x2 kecil, x3 besar, x4 ada di sekitar 4, x5 besar, x6 sangat besar,
x7 kecil, x8 kecil, x9 sangat kecil, x10 sangat besar} cocok ”,
dimana jenis q adalah T = {x1, x2, ..., x10}. Asumsikan bahwa V1 = V2 = ... = V10 =
{1, 2, ..., 8} dan
"kecil" = 1/1 + 0.8 / 2 + 0,3 / 3,
”sangat kecil” = 1/1 + 0,64 / 2 + 0,09 /
3,
"besar" = 0,3 / 6 + 0,8 / 7 + 1/8,
"sangat besar” = 0,09 / 6 + 0,64 / 7 + 1/8,
”sekitar 4 ” = 0,3 / 2 + 08/3 + 1/4 + 0,8 / 5 + 0,3 / 6.
Selanjutnya, kami perhatikan catatan berikut
R = (x1: 7, x2: 2, x3: 8, x4: 3, x5: 6, x6: 6, x7: 1, x8: 2, x9: 2, x10: 7).
x x x x x x6 x x x9 x1
1 2 3 4 5 7 8 0
h(xi) = Fi 0 0 1 0 0 0, 1 0 0. 0.
(ai) .8 . . 09 . 64 64
8 3 8
Tabel 3: Interpretasi yang saya tentukan dengan record R dan query q
8. Diskusi
Tujuan utama dari bagian ini adalah untuk memperjelas lebih lanjut
hubungan antara hasil yang diperoleh dalam makalah ini dan karya terkait.
Zadeh [56] membedakan dua jenis bilangan fuzzy, bilangan mutlak dan
bilangan relatif. Pembilang absolut mengacu pada angka (yang didefinisikan
secara kabur) seperti "setidaknya tiga", "sedikit" dan "tidak terlalu banyak",
sedangkan pembilang relatif mengacu pada proporsi seperti "paling banyak" dan
"paling banyak setengah". Kemudian evaluasi kebenaran dari pernyataan yang
dikuantifikasi dilakukan dengan menghitung kardinalitas (absolut dan relatif)
dari himpunan fuzzy. Namun, dalam makalah ini, evaluasi kuantifikasi dilakukan
secara langsung atas subset (bukan kardinalitasnya) dari alam semesta wacana.
Ini berbeda dari cara yang dipertimbangkan dalam [56] dan memungkinkan kita
tidak perlu membedakan bilangan absolut dan relatif.
Dalam [25], pembilang linguistik didefinisikan sebagai batasan pada nilai
probabilitas, dan dapat dilihat sebagai bentuk alternatif dari probabilitas yang
tidak tepat. Dari sudut representasi matematis, bilangan linguistik yang dibahas
dalam [25] dapat diidentifikasi dengan bilangan relatif dalam [56], keduanya
didefinisikan sebagai himpunan bagian fuzzy dari interval satuan. Lebih penting
lagi, bagaimanapun, interpretasi bilangan dan mekanisme penalaran dengan
bilangan di [56, 25] sangat berbeda: di [25], a
pembilang diperlakukan secara probabilistik dan menggunakan model
pemungutan suara, dan penalaran dengan pembilang dilakukan dengan metode
Bayesian.
Ide merepresentasikan bilangan linguistik dengan pengukuran fuzzy dan
integral Sugeno awalnya diperkenalkan oleh penulis di [42], di mana beberapa
sifat dasar logika dari bilangan linguistik disajikan, termasuk versi Proposi 33.
Makalah ini merupakan kelanjutan dari [ 42], dan memang beberapa bagian dari
makalah ini dapat dilihat sebagai penjabaran dari [42]. Pada tahun 1994, Bosc
dan Lietard [4, 5, 6, 7] mengajukan secara independen gagasan untuk
mengevaluasi proposisi yang dikuantifikasi secara linguistik dengan integral
Sugeno. Namun, motivasi [42] dan [4, 5, 6, 7] sangat berbeda: tujuan utama [42]
adalah untuk membuat logika orde pertama dengan bilangan fuzzy, sedangkan
pada [4, 5, 6, 7 ], hubungan erat antara pendekatan Prade dan Yager untuk
evaluasi pernyataan terkuantifikasi fuzzy dan integral Sugeno dan Choquet
ditemukan. Motivasi yang berbeda menyebabkan beberapa perbedaan besar
antara [42] (dan makalah ini) dan [4, 5, 6, 7]. Pertama, wacana alam semesta
dipertimbangkan dalam [4, 5, 6, 7]
harus terbatas. Memang, di hampir semua pendekatan sebelumnya [1, 4, 5, 6, 7, 9,
10, 12, 15, 16, 17, 18, 20, 21, 22, 23, 25, 27, 28, 30, 31, 32, 33, 39, 40, 41, 56] menjadi kabur
kuantifikasi, hanya alam semesta terbatas yang dipertimbangkan karena mereka
terutama berorientasi pada aplikasi dan biasanya dalam aplikasi nyata alam
semesta terbatas sudah cukup. Namun, dalam makalah saat ini, wacana alam
semesta yang tak terbatas diperbolehkan. Ini memungkinkan kita untuk memiliki
beberapa sifat logis yang lebih dalam dari bilangan fuzzy. Kedua, dalam [4, 5, 6,
7] suatu pengukur fuzzy (mutlak) Q atas alam semesta X masih didefinisikan
sebagai himpunan fuzzy dari bilangan bulat menurut Zadeh [56]. Kemudian
ukuran fuzzy mQ pada X diinduksi oleh
mQ(E) = Q (| E |)
untuk setiap
⊆ | EX, di mana
| E adalah kardinalitas dari E, dan integral Sugeno
sehubungan dengan mQ digunakan untuk mengevaluasi proposisi yang
dikuantifikasi oleh Q. (Sebenarnya, proses di mana mQ diinduksi dari Q adalah
kebalikan dari proses setelah Definisi 36 yang suatu bilangan numerik diinduksi
dari bilangan kardinal Q.) Jadi, bilangan fuzzy yang dibahas dalam [4, 5, 6, 7]
semuanya kardinal dalam pengertian Definisi 36.
Biasanya dua Jenis pernyataan terkuantifikasi fuzzy diidentifikasi yaitu,
proposisi tipe I bentuk “Q Xs are As” dan pernyataan tipe II berupa “Q Ds are As”, di
mana X adalah semesta wacana, Q adalah pengukur fuzzy, dan A dan D adalah dua
predikat fuzzy atas X [56, 27, 28]. Dalam makalah ini, untuk teori logis yang elegan
dari bilangan fuzzy, kami hanya mempertimbangkan proposisi tipe I, dan setiap
proposisi tipe II dapat diterjemahkan ke proposisi tipe I dengan cara standar:
"Q Ds adalah As" ⇔ "Q Xs (Xs adalah Ds berarti Xs adalah As)"
atau
"Q Ds adalah As" ⇔ "Q Xs adalah Ds dan As".
Pilihan metode penerjemahan ditentukan oleh kekuatan bilangan Q. Secara
umum, untuk bilangan yang lebih kuat seperti bilangan universal () kami
∀
mengadopsi metode pertama, dan untuk bilangan yang lebih lemah seperti
∃
bilangan eksistensial () kami menggunakan yang kedua.
Daftar properti yang diinginkan untuk kuantifikasi fuzzy disajikan dalam [1, 9,
15, 16, 17, 18]. Di sini, kami secara singkat memeriksa hubungan antara yang
paling relevan dan hasil yang diperoleh dalam makalah ini. Kemandirian
keteraturan dalam elemen-elemen referensial [1, 15] mirip dengan definisi
pengukur kardinal (Definisi 35). Jelas bahwa banyak bilangan yang tidak
menyukai sifat ini. Contoh 25 menunjukkan bahwa semantik integral Sugeno dari
bilangan memenuhi properti operator yang diinduksi [1, 15]. Lebih lanjut, Contoh
26 menunjukkan bahwa semantik ini juga memenuhi koherensi dengan logika
fuzzy dan sifat generalisasi yang benar [1, 9, 15, 32]. Delgado, Sanchez dan Vila
[9] mengusulkan bahwa evaluasi kuantifikasi tidak boleh terlalu “ketat”. Tepat,
kriteria ini mensyaratkan bahwa untuk setiap pembilang Q ada predikat fuzzy A
sedemikian rupa sehingga nilai evaluasi kalimat "Q Xs are As" tidak 0 atau 1
asalkan Q bukan pembilang yang tajam. Mudah untuk melihat bahwa kriteria
seperti itu dipenuhi oleh semantik integral bilangan Sugeno.
⊆ Memang, misalkan
Q menjadi pembilang dan X himpunan sedemikian rupa sehingga ada E0 X
dengan 0 <QX (E0) <1. Untuk simbol predikat uner P, kami menganggap
interpretasi I dengan X sebagai
Pu domainnya
. sehingga
∈( ) =
saya λ, jika u E0,
0, jika tidak,
dimana 0 <λ <1. Maka 0 <TI ((Qx) P (x)) = min (λ, QX (E0)) <1. Proposisi 29
(1) dan 30 menunjukkan bahwa kedua pengukur monotonitas [1, 9, 15, 32]
dan monotonisitas lokal berlaku dalam kerangka kerja yang disajikan dalam
makalah ini. Konveksitas [1, 15]. kemudian merupakan akibat langsung dari
monotonisitas lokal. Transformasi tipe I ke tipe II [1,15, 32]. sudah dibahas di
paragraf di atas. Properti dekomposisi
[1] diberikan dalam Proposisi 31 (1). Properti negasi eksternal [16] tidak dapat
dipertimbangkan dalam semantik integral Sugeno dari bilangan karena
komplemen Q dari pembilang Q, yang didefinisikan
- oleh QX (E) = 1 QX (E) untuk
EX apa pun, tidak memenuhi monotonisitas dalam Definisi 3 dan itu bukan
pembilang. Properti antonim [16] tidak benar secara umum. Proposisi 33
menyajikan versi dualitas yang lebih lemah dari yang dibutuhkan dalam [16].
Untuk membuat penerapan praktisnya menjadi mungkin, ditunjukkan dalam [9,
32] bahwa metode evaluasi kuantifikasi harus efisien dalam arti kompleksitas
komputasi. Misalkan domain interpretasi I adalah himpunan berhingga dan
kardinalitasnya adalah n. Pada pandangan pertama, kita mungkin berpikir bahwa
evaluasi nilai kebenaran TI ((Qx) ϕ) dari rumus terkuantifikasi (Qx) ϕ di bawah I
akan berjalan dalam waktu eksponensial dengan kompleksitas O (2n) (cf. Definisi
9 dan 23 (ii) dan Lemma 10). Untungnya, Lemma 11 memberi kita algoritma
evaluasi kuantifikasi dengan kompleksitas O (n log n).
Kontinuitas atau kelancaran perilaku [1, 18] berarti bahwa gangguan kecil
dalam nilai keanggotaan properti fuzzy D atau A tidak menimbulkan perubahan
drastis pada evaluasi proposisi terkuantifikasi fuzzy. Properti ini menjamin
ketidakmampuan kuantifikasi fuzzy terhadap kebisingan. Masalah serupa untuk
aturan komposisi inferensi fuzzy telah dibahas oleh penulis di [48, 52] di mana
bilangan linguistik tidak terlibat. Untuk memberikan properti seperti itu,
pertama-tama kita perlu memperkenalkan pengertian jarak antar himpunan
fuzzy. Misalkan A dan B adalah dua himpunan bagian fuzzy dari X.
Maka jarak antara A dan B didefinisikan sebagai
d(A, B) = sup |A-(x) B(x).
x∈X
|
Proposisi berikut memaparkan kontinuitas mekanisme evaluasi kami atas
pernyataan terkuantifikasi fuzzy.
Bukti. Perhatikan bahwa untuk setiap a, b, c, ai, bi ∈ [0, 1] (i ∈ J), dinyatakan bahwa
| mnt (a, c) - min (b, c) | ≤ | a - b |,
| infai - inf dua| ≤ inf |ai - dua
say say saya∈J
a∈ a∈
dan J J
| supai - sup dua| ≤ sup |ai - dua.
say say saya∈J
a∈ a∈
Kemudian
J J
mengikuti itu
|TI((Qx) ϕ) - TI((Qx) ψ) | =| sup min [infTsaya{u / x}(ϕ), QX (F)] - sup min [inf Tsaya{u / x}
(ψ), QX (F )] |
F ⊆X u∈ F ⊆X u∈F
F
≤ |sup
- sup Tsaya{u / x}(ϕ) Tsaya{u / x}(ψ)
F ⊆X u∈F
|
| - {u / x}(ϕ) Tsaya{u / x}(ψ)
= sup Tsaya
x∈X
|
= d (TI (ϕ), TI (ψ)). Q
9. Kesimpulan
Dalam makalah ini, kami menyajikan semantik integral Sugeno dari bilangan
linguistik di mana pembilang diwakili oleh keluarga ukuran fuzzy [35] dan nilai
kebenaran dari proposisi terkuantifikasi dihitung dengan menggunakan integral
Sugeno [35]. Beberapa sifat logis elegan dari bilangan linguistik diturunkan,
termasuk teorema bentuk normal prenex. Semantik ini dibandingkan dengan
pendekatan berbasis kardinalitas biasa (lihat contoh [9, 12, 31, 56]) untuk
bilangan linguistik.
Tiga aplikasi sederhana untuk meringkas data dan query database telah
disajikan di Bagian 7. Namun demikian, lebih banyak aplikasi diantisipasi di
bidang lain seperti fusi informasi [21, 25], pengambilan keputusan [20, 40] dan
pembelajaran induktif
[21].
Untuk studi teoritis lebih lanjut, kami ingin memeriksa dengan hati-hati
berbagai model sifat teoritis dari logika dengan bilangan linguistik dan ingin
melihat apakah itu aksioma. Alat matematika yang digunakan dalam makalah ini
untuk menjumlahkan nilai kebenaran adalah integral Sugeno. Seperti disebutkan
setelah Definisi 18 dan Proposisi 31, generalisasi integral Sugeno diusulkan dalam
literatur sebelumnya dengan mengganti operasi "min" dalam Definisi 9 dengan
norma-t umum, dan integral Sugeno yang digeneralisasi ini juga dapat digunakan
dalam semantik quan- tifier linguistik. Tampaknya kuantifikasi yang ditafsirkan
dalam kaitannya dengan integral Sugeno dengan norma-t memungkinkan kita
untuk menggabungkan data, informasi, dan pengetahuan dengan cara yang
"lebih lembut" dan "lebih fleksibel". Begitu, pemeriksaan yang cermat terhadap
bilangan linguistik yang dimodelkan oleh integral Sugeno tergeneralisasi akan
menjadi topik menarik lainnya. Selain itu, integral Choquet banyak digunakan
sebagai operator agregasi di bidang ekonomi, teori permainan, dan pengambilan
keputusan multi-kriteria. Masuk akal untuk mengharapkan bahwa integral
Choquet juga dapat digunakan untuk mengevaluasi nilai kebenaran dari proposisi
yang dikuantifikasi secara linguistik. Memang, seperti yang ditunjukkan di bagian
terakhir, Bosc dan Lietard [4, 5, 6, 7] telah memperhatikan hubungan antara
metode representasi linguistik Prade dan Yager [30, 39, 41] dan integral Choquet.
Dengan demikian, pengembangan sistematis semantik integral Choquet dari
bilangan linguistik juga akan menjadi topik yang menarik. integral Choquet
secara luas digunakan sebagai operator agregasi di bidang ekonomi, teori
permainan, dan pengambilan keputusan multi-kriteria. Masuk akal untuk
mengharapkan bahwa integral Choquet juga dapat digunakan untuk
mengevaluasi nilai kebenaran dari proposisi yang dikuantifikasi secara linguistik.
Memang, seperti yang ditunjukkan di bagian terakhir, Bosc dan Lietard [4, 5, 6,
7] telah memperhatikan hubungan antara metode representasi linguistik Prade
dan Yager [30, 39, 41] dan integral Choquet. Dengan demikian, pengembangan
sistematis semantik integral Choquet dari bilangan linguistik juga akan menjadi
topik yang menarik. integral Choquet secara luas digunakan sebagai operator
agregasi di bidang ekonomi, teori permainan, dan pengambilan keputusan multi-
kriteria. Masuk akal untuk mengharapkan bahwa integral Choquet juga dapat
digunakan untuk mengevaluasi nilai kebenaran dari proposisi yang dikuantifikasi
secara linguistik. Memang, seperti yang ditunjukkan di bagian terakhir, Bosc dan
Lietard [4, 5, 6, 7] telah memperhatikan hubungan antara metode representasi
linguistik Prade dan Yager [30, 39, 41] dan integral Choquet. Dengan demikian,
pengembangan sistematis semantik integral Choquet dari bilangan linguistik juga
akan menjadi topik yang menarik. seperti yang ditunjukkan di bagian terakhir,
Bosc dan Lietard [4, 5, 6, 7] telah memperhatikan hubungan antara metode
representasi linguistik Prade dan Yager [30, 39, 41] dan integral Choquet. Dengan
demikian, pengembangan sistematis semantik integral Choquet dari bilangan
linguistik juga akan menjadi topik yang menarik. seperti yang ditunjukkan di
bagian terakhir, Bosc dan Lietard [4, 5, 6, 7] telah memperhatikan hubungan
antara metode representasi linguistik Prade dan Yager [30, 39, 41] dan integral
Choquet. Dengan demikian, pengembangan sistematis semantik integral Choquet
dari bilangan linguistik juga akan menjadi topik yang menarik.
[2] J. Barwise dan R. Cooper, bilangan umum dan bahasa alam, Lin- guistics
and Philosophy, 4 (1981) 159-219
[4] P. Bosc dan L. Lietard, Kuantifikasi monotonik dan integral fuzzy Sugeno,
di: Proc. Konferensi IPMU ke-5, 1994, hlm: 1281-1286
[6] P. Bosc dan L. Lietard, Kuantifikasi monotonik dan integral fuzzy Sugeno,
dalam: B.Bouchon-Meunier, RR Yager dan LA Zadeh (eds.), Fuzzy Logic
and Soft Computing, World Scientific, Singapura, 1995, hlm: 337-344
[7] P. Bosc dan L. Lietard, integral Fuzzy dan kueri fleksibel database, di: Proc.
Konferensi Internasional IEEE Kelima tentang Sistem Fuzzy, 1996, hlm:
100 - 106
[11] D.Dubois dan H. Prade, Kumpulan dan Sistem Fuzzy: Teori dan Aplikasi,
Academic Press, New York, 1980
[14] N.Friedman dan JY Halpern, Tindakan masuk akal dan penalaran default,
Jurnal ACM, 48 (2001) 648-685
[15] I. Glockner, DFS - Sebuah pendekatan aksiomatik untuk kuantifikasi fuzzy, Tech.
Reputasi.
TR97-06, Univ. Bielefeld, 1997
[16] I.Glockner, Sebuah kerangka kerja untuk mengevaluasi pendekatan untuk kuantifikasi
fuzzy,
Tech. Rep. TR99-03, Univ. Bielefeld, 1999
[18] I.Glockner dan A. Knoll, Teori formal quan- tification bahasa alami fuzzy
dan perannya dalam komputasi granular, di: W. Pedrycz (ed.), Granular
Computing: An Emerging Paradigm, Physica-Verlag, Heidelberg, 2001,
hlm. 215-256
[21] J. Kacprzyk dan C. Iwanski, Pembelajaran induktif dari contoh yang tidak
lengkap dan tidak tepat, di: B. Bouchon-Meunier, RR Yager dan LA Zadeh
(eds.), Ketidakpastian dalam Basis Pengetahuan, LNCS 521, Springer,
Berlin, 1991, hlm. 424-430
[22] J.Kacprzyk dan RR Yager, Model optimasi dan kontrol yang lebih lembut
melalui pengukur linguistik fuzzy, Ilmu Informasi, 34 (1984) 157-178
[28] Y. Liu dan EE Kerre, Gambaran umum dari bilangan fuzzy (II): Penalaran
dan aplikasi, Fuzzy Sets and Systems, 95 (1998) 135-146
[30] H.Prade, Prosedur pencocokan pola fuzzy dua lapis untuk evaluasi kondisi
yang melibatkan bilangan samar, Journal of Intelligent and Robotic
Systems, 3 (1990) 93-101
⊥
[38] S. Weber, ukuran -decomposable dan integral untuk Archimedean t-
conorms, Journal
⊥ of Mathematical Analysis and Applications, 101 (1984)
114-138
[44] MS Ying, Teorema deduksi untuk inferensi bernilai banyak, Zeitschrift fur
Mathematische Logik und Grundlagen der Mathematik, 37 (1991)
[49] MS Ying, Operator implikasi dalam logika fuzzy, Transaksi IEEE pada
Sistem Fuzzy, 10 (2002) 88-91