Vol.17 No.I 张清东等：板形模式识别的模糊分类法 69 已知待识别样本Y=y1…ym],第k个已知类别样本Y*=y片…y%,那么它们之间的 加权绝对欧氏距离： D,=y-Y=元wUXy,-y) (1) W(U)为j个变元的权值· 开始 样本Y是否属于k类别是模糊的，定义1 个指标Fε(k)表示这种模糊程度，叫做k类 形成N个基本模式类别、一y 别对样本Y的包含度： 输入待识别样本Y<政变N或m> F)=E,店E:k=.Na) N 计算加权欧氏距离 其中： 计算包含度FE(k) L∫Ds+1-Dk,Dk<D:+I E{0 ,D≥Dk+1 F(k)满足约束条件> (当且仅当基本模式Y*和Y1互反时，即 Y y=-y+,j=1,…,m,k=1,…,N) 输出结果FE(k) 包含度FE(k)满足如下性质： 有新样本？ 玄F)-10 Y YN (结束) 以上算法可以归纳为如下框图，见图1.并 图1FE法计算框图 按框图所示用Turbo C语言编程在微机上运行， 3基于加权哈明距离的择近原则分类(FS法) 利用加权哈明距离构造1种计算各基本模式类别对新样本的包含度F(k)的新算法· 对于新样本Y=[y,…ym]和第k个已知基本模式类别Y=y…y],定义1个算子 用来反映两者之间的贴近程度： P.=三wU)1.0-y,-1 (k=1,…,N) (3) 那么新样本Y对第k个基本模式类别Y的包含度： F(k)=S./>S. (4) 其中： ∫P-Pk+I,P>Pk+1 P≤Pk+I (当且仅当基本模式Y*和Y1互反时，即y=一y+,=1,…,m,k=1,…,N) 相似度Fs(k)满足如下条件： 含=10V OI . 17 N O . 1 已 知 待识别 样本 y = 沙 , 加权 绝对 欧 氏距 离 : 张清东 等 : 板形模 式识别 的模糊分类法 … y , ] , 第 k 个 已 知 类别 样本 y “ = 沙令 y 奈〕 , 那 么 它 们之 间的 爪 D 人 一 ,, y 一 y “ ,, 一万 l w `, ’ ( y , 一 y少 ( l ) W (j) 为 j 个变元 的权值 . 样本 Y 是 否属 于 k 类别 是模 糊 的 , 定 义 1 个指 标 F 。 ( k) 表 示 这 种 模 糊 程 度 , 叫做 k 类 别对 样本 Y 的包含 度 : F E ( 介 ) 一 E 、 /艺 ￡ * ( 、 一 1 , 一 , N ) ( 2 ) 其 中: E * = D * + l 一 D * , D 、 < D ; + 1 O , D 、 ) D 、 十 1 ( 当且仅 当基 本模 式 尹 和 尹 + ’ 互 反 时 , 即 夕少一 夕{ + , , j 一 l , … , 。 , k = 1 , … , N ) 包含 度 F 〔 ( k) 满足 如下 性质 : 艺F E ( k ) = l · 0 以上 算法 可 以 归 纳为 如下框 图 , 见 图 1 . 并 按 框 图所示 用 T ur bo C 语言编程 在微 机上运行 . 开 始 输人待 识别 样 本 Y 计算加权 欧氏距离 计算包 含度 F 。 (k) 输 出结果 F 。 伏) 图 I FE 法计 算框 图 3 基于 加权哈 明距 离 的择近原 则 分类 ( F S 法 ) 利 用加 权 哈明距 离 构造 1 种计 算各 基本 模式类 别对 新样 本 的包含度 sF ( k) 的新 算法 . 对于新 样本 Y = 【y 、 … y 。 1和第 k 个 已 知 基本模式 类别 尹 = 巨} … y 二] , 定 义 1 个算子 用来反 映两 者之 间 的贴近 程 度 : 尸 、 一 艺 W (j) · l[ . 0 一 ly , 一 对 l] k( =l , … , N ( 3 ) 那么 新 样本 y 对 第 k 个基 本模 式 类别 Y “ 的 包含 度 : sF ( k ) = s * /艺s k ( 4 ) 其 中 : P * 一 P k 、 l , O P k > P 、 、 l P 、 蕊 P * + l 厂l 才e ! 、 S 凡玉 一 ( 当且仅 当基 本模式 r 和 r 十 , 互反 时 , 即 对 二 一 对 十 ` , j 一 1 , 一 , m , k 相 似度 sF ( k) 满 足如 下 条件 : … , N ) 艺凡 ( k ) = l · o